(一)編碼器

自編碼：一種神經(jīng)網(wǎng)絡(luò)的形式

自編碼就是把信息壓縮再把信息解壓肩狂，完成這種形式的神經(jīng)網(wǎng)絡(luò)。

例如捞附，圖片經(jīng)過壓縮,再解壓的這一道工序. 當壓縮的時候, 原有的圖片質(zhì)量被縮減, 解壓時用信息量小卻包含了所有關(guān)鍵信息的文件恢復(fù)出原本的圖片.?

當神經(jīng)網(wǎng)絡(luò)要接受大量的輸入信息纳寂，我們就可以使用這種神經(jīng)網(wǎng)絡(luò)形式衫哥。我們先進行壓縮汛蝙，提取最具代表性的信息烈涮，縮減輸入信息量朴肺。這樣再把壓縮過的信息放進神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)窖剑，這樣學(xué)習(xí)就更加輕松了坚洽。所以, 自編碼就能在這時發(fā)揮作用. 通過將原數(shù)據(jù)白色的X 壓縮, 解壓 成黑色的X, 然后通過對比黑白 X ,求出預(yù)測誤差, 進行反向傳遞, 逐步提升自編碼的準確性. 訓(xùn)練好的自編碼中間這一部分就是能總結(jié)原數(shù)據(jù)的精髓. 也就是說，自編碼的作用是壓縮數(shù)據(jù)西土，提取原數(shù)據(jù)的精髓讶舰。

（1）編碼器

到了真正使用自編碼的時候. 通常只會用到自編碼前半部分.這一部分也被稱作encoder 編碼器。編碼器能得到原數(shù)據(jù)的精髓, 然后我們只需要再創(chuàng)建一個小的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)這個精髓的數(shù)據(jù),不僅減少了神經(jīng)網(wǎng)絡(luò)的負擔, 而且同樣能達到很好的效果.

通過自編碼整理出來的數(shù)據(jù), 他能從原數(shù)據(jù)中總結(jié)出每種類型數(shù)據(jù)的特征需了，如果把這些特征類型都放在一張二維的圖片上, 每種類型都已經(jīng)被很好的用原數(shù)據(jù)的精髓區(qū)分開來跳昼，?自編碼 可以像 PCA 一樣 給特征屬性降維.

（2）解碼器

簡單來說，解碼器就是把精髓信息解壓成原始信息肋乍。

（二）生成對抗網(wǎng)絡(luò)（GAN）

GAN, 又稱生成對抗網(wǎng)絡(luò), 也是 Generative Adversarial Nets 的簡稱.

卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）都是需要提供數(shù)據(jù)的鹅颊，然后得到自己想要的結(jié)果。像圖片識別墓造，語音識別堪伍。

而GAN是通過一些隨機數(shù)字生成一些有意義的東西。

Generator 會根據(jù)隨機數(shù)來生成有意義的數(shù)據(jù) , Discriminator 會學(xué)習(xí)如何判斷哪些是真實數(shù)據(jù) , 哪些是生成數(shù)據(jù), 然后將學(xué)習(xí)的經(jīng)驗反向傳遞給 Generator, 讓 Generator 能根據(jù)隨機數(shù)生成更像真實數(shù)據(jù)的數(shù)據(jù)觅闽。

也就是說帝雇，機器在創(chuàng)作有意義事物時，會把事物穿給鑒別部分進行鑒別蛉拙，但是操作者要對鑒別機器進行管理尸闸，告訴鑒別機器哪個是有意義的事物。鑒別機器通過不斷學(xué)習(xí)孕锄，終于會鑒別有意義的事物吮廉，并且會把學(xué)習(xí)經(jīng)驗反饋給創(chuàng)作機器，讓創(chuàng)作機器生成更多的有意義的

（三）如何檢測神經(jīng)網(wǎng)絡(luò)

（1）在檢驗神經(jīng)網(wǎng)絡(luò)誤差時畸肆，我們把數(shù)據(jù)分成70%的訓(xùn)練數(shù)據(jù)和30%的測試數(shù)據(jù)宦芦，對神經(jīng)網(wǎng)絡(luò)的評價一般基于測試數(shù)據(jù)

（2）關(guān)于回歸問題，, 我們可以引用 R2 分數(shù)在測量回歸問題的精度 . R2給出的最大精度也是100%, 所以分類和回歸就都有的統(tǒng)一的精度標準. 除了這些評分標準, 我們還有很多其他的標準, 比如 F1 分數(shù) , 用于測量不均衡數(shù)據(jù)的精度.

（3）我們的神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時表現(xiàn)非常好恼除，但是測試時發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)的誤差又十分大,我們把這種成做為過擬合踪旷。在機器學(xué)習(xí)中, 解決過擬合也有很多方法 , 比如 l1, l2 正規(guī)化, dropout 方法.

（4）神經(jīng)網(wǎng)絡(luò)也有很多參數(shù), 需要調(diào)參時，?交叉驗證 就是最好的途徑了. 交叉驗證不僅僅可以用于神經(jīng)網(wǎng)絡(luò)的調(diào)參, 還能用于其他機器學(xué)習(xí)方法的調(diào)參. 同樣是選擇你想觀看的誤差值或者是精確度豁辉。

【參考文獻】https://mofanpy.com/tutorials/machine-learning/ML-intro/Evaluate-NN/