卷积自动编码器用于分类问题

如何解决卷积自动编码器用于分类问题

我遵循Datacamp的教程，该教程使用卷积自动编码器进行分类here。我在本教程中了解到，我们只需要将自动编码器的头部（即编码器部分）堆叠到一个完全连接的层即可进行分类。

堆叠后，对所得的网络（卷积自动编码器）进行两次训练。第一种方法是将编码器的权重设置为false：

for layer in full_model.layers[0:19]:
    layer.trainable = False

然后重新设置为true，并重新训练网络：

for layer in full_model.layers[0:19]:
    layer.trainable = True

我不明白为什么我们要这样做两次。是否有使用conv-net或自动编码器的经验？

解决方法

这是因为前19层已经在此行中进行了训练：

autoencoder_train = autoencoder.fit(train_X,train_ground,batch_size=batch_size,epochs=epochs,verbose=1,validation_data=(valid_X,valid_ground))

自动编码器的作用是降低尺寸。假设您有1000个功能，而您希望将其减少到100个功能。您可以在编码器层之后是解码器层中训练自动编码器。关键是要使编码特征（由编码器层输出）可以被解码回原始特征。

在训练了自动编码器之后，将解码器部分扔掉，而是在编码器层的顶部添加一个完全连接的分类层，以从一组简化的特征中训练分类网络。这就是为什么将编码器层trainable设置为false以仅训练完全连接的分类层（以加快训练速度）的原因。

将编码器层trainable再次设置为true的原因是训练整个网络，这可能很慢，因为更改会反向传播到整个网络。