Deep Learning 2_深度学习UFLDL教程：矢量化编程（斯坦福大学深度学习教程）

1前言

本节主要是让人用矢量化编程代替效率比较低的for循环。

在前一节的Sparse Autoencoder练习中已经实现了矢量化编程，所以与前一节的区别只在于本节训练集是用MINIST数据集，而上一节训练集用的是从10张图片中随机选择的8*8的10000张小图块。综上，只需要在前一节的代码中稍微修改一下就可。

2练习步骤

1.下载数据集及UFLDL提供的加载数据集的函数，并把他们和上节程序放在同一文件夹中。要注意的是UFLDL提供的加载数据集的函数中程序用的数据集名称是train-images-idx3-ubyte，要把他改为train-images.idx3-ubyte。可用如下程序检查MINIST数据集是否可加载成功。

% Change the filenames if you've saved the files under different names

% On some platforms, the files might be saved as

% train-images.idx3-ubyte / train-labels.idx1-ubyte

images = loadMNISTImages('train-images.idx3-ubyte');

labels = loadMNISTLabels('train-labels.idx1-ubyte');

% We are using display_network from the autoencoder code

display_network(images(:,1:100)); % Show the first 100 images

disp(labels(1:10));

　　运行之后得到如下结果就表示已经可以正确加载：

2.矢量化Sparse Autoencoder程序，即上一节程序，因上节已实现，故此步骤可免去。

3.学习手写数字库的特征。

前言中已经说了，本步只需要在上节中稍微修改一下即可，具体如下：

①修改初始参数，把train.m文件中把step0里面的各个参数调整成这样：

visibleSize = 28*28;   % number of input units 输入层单元数

hiddenSize = 196;     % number of hidden units隐藏层单元数

sparsityParam = 0.1;   % desired average activation of the hidden units.稀疏值

                     % (This was denoted by the Greek alphabet rho, which looks like a lower-case "p",

		     %  in the lecture notes).

lambda = 3e-3;     % weight decay parameter 权重衰减系数

beta = 3;            % weight of sparsity penalty term稀疏值惩罚项的权重

②修改训练集，把step1里面的patches的产生改为：

%% STEP 1: Implement sampleIMAGES  第1步：实现图片采样

%

%  实现图片采样后，函数display_network从训练集中随机显示200张

%  After implementing sampleIMAGES, the display_network command should

%  display a random sample of 200 patches from the dataset

images = loadMNISTImages('train-images.idx3-ubyte');

patches = images(:,1:10000);

% patches = sampleIMAGES;

display_network(patches(:,randi(size(patches,2),200,1)),8);%从10000张中随机选择200张显示

%  Obtain random parameters theta初始化参数向量theta

theta = initializeParameters(hiddenSize, visibleSize);

　4.其他一切不变，但是为了提高效率，可把train.m中的 STEP 3: Gradient Checking这步注释掉，因为在本例中训练集更大，梯度检查会比较慢。然后运行train.m可得到可视化结果为：

Elapsed time is 365.887537 seconds.

……