ここに示すように、Andrew Ng のレクチャー ノートに従って、スパース オートエンコーダーを実装しようとしています。ペナルティ項 (KL ダイバージェンス) を導入することにより、オートエンコーダ層にスパース制約を適用する必要があります。いくつかのマイナーな変更の後、ここで提供されている方向を使用してこれを実装しようとしました。これは、以下に示すように、SparseActivityRegularizer クラスによって実装された KL ダイバージェンスとスパース ペナルティ項です。
def kl_divergence(p, p_hat):
return (p * K.log(p / p_hat)) + ((1-p) * K.log((1-p) / (1-p_hat)))
class SparseActivityRegularizer(Regularizer):
sparsityBeta = None
def __init__(self, l1=0., l2=0., p=-0.9, sparsityBeta=0.1):
self.p = p
self.sparsityBeta = sparsityBeta
def set_layer(self, layer):
self.layer = layer
def __call__(self, loss):
#p_hat needs to be the average activation of the units in the hidden layer.
p_hat = T.sum(T.mean(self.layer.get_output(True) , axis=0))
loss += self.sparsityBeta * kl_divergence(self.p, p_hat)
return loss
def get_config(self):
return {"name": self.__class__.__name__,
"p": self.l1}
モデルはそのように構築されました
X_train = np.load('X_train.npy')
X_test = np.load('X_test.npy')
autoencoder = Sequential()
encoder = containers.Sequential([Dense(250, input_dim=576, init='glorot_uniform', activation='tanh',
activity_regularizer=SparseActivityRegularizer(p=-0.9, sparsityBeta=0.1))])
decoder = containers.Sequential([Dense(576, input_dim=250)])
autoencoder.add(AutoEncoder(encoder=encoder, decoder=decoder, output_reconstruction=True))
autoencoder.layers[0].build()
autoencoder.compile(loss='mse', optimizer=SGD(lr=0.001, momentum=0.9, nesterov=True))
loss = autoencoder.fit(X_train_tmp, X_train_tmp, nb_epoch=200, batch_size=800, verbose=True, show_accuracy=True, validation_split = 0.3)
autoencoder.save_weights('SparseAutoEncoder.h5',overwrite = True)
result = autoencoder.predict(X_test)
fit() 関数を呼び出すと、負の損失値が得られ、出力は入力とまったく似ていません。どこが間違っているのか知りたいです。レイヤーの平均活性化を計算し、このカスタム スパース正則化を使用する正しい方法は何ですか? どんな種類の助けも大歓迎です。ありがとう!
最新の Keras (1.0.1) ビルドには Autoencoder レイヤーがないため、Python 2.7 で Keras 0.3.1 を使用しています。