Caffe Autoencoder

是的，它还有一个deploy.prototxt。

都

train_val.prototxt

‘deploy.prototxt’是cnn架构描述文件。它们之间唯一的区别是，

train_val.prototxt

将训练数据和丢失作为输入/输出，但’deploy.prototxt’将测试图像作为输入，并将预测值作为输出。

自动编码器和传统网络的主要区别在于

1. 
   在自动编码器中，您的输入是用于训练的标签图像。
   


2. 
   自动编码器尝试近似输出，类似于输入。
   


3. 
   自动编码器在训练时没有softmax层。
   


4. 
   它可以用作网络的预训练模型，与其他预训练模型相比，可以更快地收敛。这是因为您的网络已经为您的数据提取了功能。
   


5. 
   您可以在经过预先培训的自动编码器网络上执行常规培训和测试，以实现更快的收敛和准确性。
   

</醇>

您需要使用python或matlab实现自动编码器示例。 Caffe中的示例不是真正的自动编码器，因为它没有设置分层训练阶段，并且在训练阶段期间，它没有固定W {L-> L + 1} = W {L + 1-> L + 2} ^ T。很容易在github中找到一维自动编码器，但2D自动编码器可能很难找到。

以下是MINST的cn​​n和autoencoder的示例：

Caffe例子

。 （我没有尝试过这些例子。）使用模型通常是一样的。学习率等取决于模型。