Neural network 基于SOMs的数据降维
作为学校项目的一部分，我不得不阅读史蒂文·劳伦斯的一篇论文，内容是关于使用SOM和CCN检测人脸。对于那些好奇的人，这里有一份文件：Neural network 基于SOMs的数据降维,neural-network,self-organizing-maps,dimensionality-reduction,Neural Network,Self Organizing Maps,Dimensionality Reduction,作为学校项目的一部分，我不得不阅读史蒂文·劳伦斯的一篇论文，内容是关于使用SOM和CCN检测人脸。对于那些好奇的人，这里有一份文件： 在论文的第12页，Lawrence描述了他如何使用SOM来降低人脸数据的维数。然而，我不明白这是怎么回事。在本例中，Lawrence使用5x5x5 SOM，输入向量为25D。如果我的理解是正确的，当训练过程完成后，你将在网络中的每个神经元上留下一个25D向量。那么，这是如何减少数据的维度的呢？自组织地图上的降维数据到底在哪里？我在很多地方进行了研究，但由于某种原因
在论文的第12页，Lawrence描述了他如何使用SOM来降低人脸数据的维数。然而，我不明白这是怎么回事。在本例中，Lawrence使用5x5x5 SOM，输入向量为25D。如果我的理解是正确的，当训练过程完成后，你将在网络中的每个神经元上留下一个25D向量。那么，这是如何减少数据的维度的呢？自组织地图上的降维数据到底在哪里？我在很多地方进行了研究，但由于某种原因，我找不到这个问题的答案。由于这个问题困扰了我一段时间，如果有人能为我解答，我将不胜感激。每个训练集由十幅图像组成，在5x5网格中采样（这是25D向量），因此每个训练集（人脸）都可以被视为250D向量 第2页 共有10个40个不同主题的不同图像 Lawrence使用三维som，每个维度有5个节点，符合（5x5x5）125D向量，保留原始数据的拓扑信息 第12页 SOM将25维输入向量量化为125个拓扑有序值。SOM的三个维度可以看作是三个特征 您可能会意识到数据维度减少了2，空间维度减少了5
希望这有帮助谢谢你的回答！但我仍然不知道这些数据在SOM中的确切位置。我想，在哪里可以检索这些压缩数据是我的主要问题。请原谅，如果这是一个真正的基本问题，“压缩数据”或输出向量与训练过的SOM的权重一致，那么训练过的SOM的权重维度将与输入维度相同。如果我错了，请纠正我，但这是如何降低数据维度的？SOM大小与输入大小无关，在SOM训练中，您不会将整个输入数据向量呈现给网络（如反向传播、hopfield等其他算法，而不是此，您在每次迭代中都会显示单个组件，SOM拓扑会自行调整以表示输入空间。非常感谢您的帮助！我的最后一个问题是，在论文的第12页，在第四步中，劳伦斯说他用经过训练的SOM的输出创建了一个23x28的图像。你能帮我澄清一下吗？