什么是自编码器?
自编码器是用于无监督学习的神经网络。Eclipse DL4J支持某些自动编码器层，如变分自编码器。
受限波尔滋曼机在哪?
0.9.x版本已不再支持受限波尔滋曼机了，对于多数机器学习问题它们不再是最好的选择了。
支持的层
AutoEncoder（自编码器）
自编码器层，添加噪声到输入并学习重建函数。
corruptionLevel
public Builder corruptionLevel(double corruptionLevel)
构建器 - 设置损坏级别- 0（无）到1（所有值损坏）
- 参数 corruptionLevel 损坏级别 (0 to 1)
sparsity
public Builder sparsity(double sparsity)
自编码器稀疏参数
- 参数 sparsity 稀疏性
BernoulliReconstructionDistribution（伯努利重建分布）
变分自编码器的伯努利重构分布。
输出由伯努利分布建模——即，伯努利分布应该用于二分类数据（所有值是0或1）；变分自编码器将输出的概率建模为0或1。
因此，应使用sigmoid活函数将限制激活范围为0至1。避免产生不在0至1范围内数据的激活函数（包括relu、tanh和许多其它）。
hasLossFunction
public boolean hasLossFunction()
用默认Sigmoid激活函数创建一个伯努利重建分布
CompositeReconstructionDistribution（组合重建分布）
组合重建分布由其它重建分布构建而来。典型的用途是将例如连续数据和二分类数据组合在同一个模型中，或者组合连续变量的不同分布。不何哪种情况下，此类允许用户建模（例如）前10个值。
addDistribution
public Builder addDistribution(int distributionSize, ReconstructionDistribution distribution)
添加另一个分布到一个组合分布中。在任何先前的添加后，这将为下一个‘distributionSize’值添加分布。例如，在由指定的分布X建模时调用addDistribution(10, X)一次会导致值为0到9（包括）。在由指定的分布Y建模时调用addDistribution(10, Y)一次会导致值为10到19（包括）
- 参数 distributionSize 使用指定分布模型的值的数目
- 参数 distribution 模型数据分布
ExponentialReconstructionDistribution（指数重建分布）
指数重建分布
支持数据范围 [0,无穷)
这里使用的参数化：网络模型分布参数gamma，其中gamma＝log（lambda），用 gamma in (-inf, inf)
这意味着一个来自自编码器的输入gamma = 0 给出lambda = 1，这与指数均值有关。
关于激活函数的选择：上面的参数化支持gamma范围（负无穷大，无穷大），因此优先选择对称激活函数，如“identity”或“tanh”。
hasLossFunction
public boolean hasLossFunction()
- 弃用
GaussianReconstructionDistribution （高斯重建分布）
变分自编码器的高斯重建分布
输出由高斯分布建模，其中均值和方差（对角协方差矩阵）由网络正向传递确定。
具体地说，高斯重建分布模型均值和log（STDEV ^ 2）。这个参数化给出log（1）＝0，并且输入可以在范围（无穷大，无穷大）内。用于方差的其他参数化当然是可能的，但是关于平均预激活函数值和激活函数范围可能是有问题的。
对于激活函数，identity和tanh可能是典型的，尽管tanh（不同于identity）意味着平均值和对数方差的最小/最大可能值。应避免不对称激活功能，如sigmoid或relu。
hasLossFunction
public boolean hasLossFunction()
创建具有默认identity激活函数的高斯重建分布。
LossFunctionWrapper（损失函数包装器）
损失函数包装器允许训练具有标准（可能确定性）神经网络损失函数的VAE（分变自编码器）模型。
注意：大多数功能都被支持，但是显然在使用损失函数包装器时不能计算重建对数概率，因为ILossFunction实例既没有(a)概率解释，也没有(b)计算负对数概率的方法。
ReconstructionDistribution
指定分布的形式 p(数据|x). 例如，真实值数据可以被建模。
VariationalAutoencoder（变分自编码器）
变分自编码器层
查看: Kingma & Welling, 2013: 自动编码变分贝叶斯 - https://arxiv.org/abs/1312.6114
这种实现允许多个编码器和解码器层，其数量和大小可以独立设置。
关于预训练期间的分数的注释：这个实现Kingma & Welling中描述的变分下限目标的负值最小化；该文章中的数学是基于变分下限的最大化。因此，在DL4J预训练报告的分数是本文的变分下界方程的负值。反向传播和学习过程就是在那里描述的。
encoderLayerSizes
public Builder encoderLayerSizes(int... encoderLayerSizes)
编码器层的大小，单位。每个编码器层在功能上等同于 {- link org.deeplearning4j.nn.conf.layers.DenseLayer}。典型地，解码器层的数量和大小 (通过 {- link #decoderLayerSizes(int…)设置} ）类似于编码器层。
- 参数 encoderLayerSizes 变分编码器中每个编码器层的大小
decoderLayerSizes
public Builder decoderLayerSizes(int... decoderLayerSizes)
解码器层的单位大小。每个解码器层在功能上等同于 {- link org.deeplearning4j.nn.conf.layers.DenseLayer}。典型地，解码器层的数量和大小与编码器层相似。(通过 {- link #encoderLayerSizes(int…)设置}。
- 参数 decoderLayerSizes 变分编码器中每个解码层的大小
reconstructionDistribution
public Builder reconstructionDistribution(ReconstructionDistribution distribution)
给定隐藏状态数据的重建分布- i.e., P(data|Z).
这应该根据建模的数据类型仔细选择。例如:
{- link GaussianReconstructionDistribution} + {identity 或 tanh}用于实际值（高斯）数据
{- link BernoulliReconstructionDistribution} + sigmoid 用于 二分类 (0 or 1) 数据
参数 distribution 重建分布
lossFunction
public Builder lossFunction(IActivation outputActivationFn, LossFunctions.LossFunction lossFunction)
配置变分自编码器以使用指定的损失函数进行重建，而不是重建分布。注意，这不遵循标准的变分自编码器设计（根据Kingma & Welling），它假定一个概率输出，即一些p(x|z)。然而，它是一个有效的网络配置，允许优化更传统的目标，例如均方误差。
注意：显然，设置损失函数将取代任何先前设置的重建分布。
- 参数 outputActivationFn输出/重建的激活函数
- 参数 lossFunction 使用的损失函数
lossFunction
public Builder lossFunction(Activation outputActivationFn, LossFunctions.LossFunction lossFunction)
配置变分自编码器以使用指定的损失函数进行重建，而不是重建分布。注意，这不遵循标准的变分自编码器设计（根据Kingma & Welling），它假定一个概率输出，即一些p(x|z)。然而，它是一个有效的网络配置，允许优化更传统的目标，例如均方误差。
注意：显然，设置损失函数将取代任何先前设置的重建分布。
- 参数 outputActivationFn输出/重建的激活函数
- 参数 lossFunction 使用的损失函数
lossFunction
public Builder lossFunction(IActivation outputActivationFn, ILossFunction lossFunction)
配置变分自编码器以使用指定的损失函数进行重建，而不是重建分布。注意，这不遵循标准的变分自编码器设计（根据Kingma & Welling），它假定一个概率输出，即一些p(x|z)。然而，它是一个有效的网络配置，允许优化更传统的目标，例如均方误差。
注意：显然，设置损失函数将取代任何先前设置的重建分布。
- 参数 outputActivationFn输出/重建的激活函数
- 参数 lossFunction 使用的损失函数
pzxActivationFn
public Builder pzxActivationFn(IActivation activationFunction)
输入到P(z|数据)的激活函数。
应该注意这一点，某些激活函数（relu等）由于在[0，无穷大]范围内有界而不适用。
参数 activationFunction p(z|x)的激活函数
pzxActivationFunction
public Builder pzxActivationFunction(Activation activation)
输入到P(z|数据)的激活函数
应该注意这一点，某些激活函数（relu等）由于在[0，无穷大]范围内有界而不适用。
参数 activationFunction p(z|x)的激活函数
nOut
public Builder nOut(int nOut)
设置VAE（变分自编码器）状态Z的大小。这是标准正向传播期间的输出大小，以及预训练期间的分布P(Z|数据)的大小。
参数 nOut P(Z|数据) 和输出数据的大小
numSamples
public Builder numSamples(int numSamples)
设置每个数据点（来自VAE状态Z）在进行预训练时使用的样本数。默认值：1。
这是来自Kingma和Welling的参数L：“在我们的实验中，我们发现，只要小批量M足够大，每个数据点的样本L的数量就可以设置为1，例如M=100。”
- 参数 numSamples 训练前每个数据点的样本数
翻译：风一样的男子
如果您觉得我的文章给了您帮助，请为我买一杯饮料吧！以下是我的支付宝，意思一下我将非常感激！
