为促进与提升beat365官方网站教师学术科研能力，掌握专业领域内前沿研究动态，追踪学科领域内各科研团队研究现状，了解未来技术发展趋势，在beat365官方网站领导及大数据教研室的精心组织下，2019年5月15日下午1：00，beat365官方网站在工B308博士教学科研工作室成功举办了深度学习科研活动，青年教师张志伟分享了题为“深度学习之自编码器概念、原理及实践”的报告。
自编码器(auto-encoder)是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器内部有一个隐藏层h，可以产生编码(code)表述输入。自编码器网络由两部分组成：函数h=f(x)表示的编码器以及一个生成重构的解码器r=g(h)。如图1所示：
图1. 自编码器的一般结构，通过内部表示或编码h将输入x映射到输出（称为重构）r。自编码器具有两个组件：编码器f（将x映射到h），解码器g（将h映射到r）。
自编码器是一个自监督的算法，并不是一个无监督算法。自监督学习是监督学习的一个实例，其标签产生自输入数据。要获得一个自监督的模型，需要一个靠谱的目标跟一个损失函数，仅仅把目标设定为重构输入可能不是正确的选项。如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。作用：第一是数据去噪；第二是为进行可视化而降维。配合适当的维度和稀疏约束，自编码器可以学习到比PCA等技术更有意思的数据投影。
期间，张志伟老师利用主流深度学习框架PyTorch，在MNIST数据集上了实现了自动编码器，与会老师逐行探讨了实现自动编码器的各行代码，并积极讨论了如何对现有框架进行扩展，实现对图像数据的分类等问题。会上，谢士春老师对自动编码器的若干理论知识给予了解释与说明，并就如何学习深度学习以及如何实现相应的模型给出了建设性意见，整个学术科研活动在活跃融洽的气氛中进行。
（撰稿：崔琳 张志伟 审核：宋启祥）
beat365官方网站
