![](https://csdnimg.cn/release/download_crawler_static/87487854/bg6.jpg)
图 2 特征学习网络结构图
Fig. 2 Structure diagram of feature learning network
下载: 全尺寸图片 幻灯片
训练过程中, 损失函数选用均方差损失函数:
lossAE=1m∑i=1m(xi−x∗i)2lossAE=1m∑i=1m(xi−xi∗)2
式中, x∗ixi∗是 xixi 对应的重构图像.
2.2.2 解码及对抗学习
设训练样本集 XX 对应的特征集为 CC, 解码器为 Dec, 它与 G 网络共享权重, 网络结
构一致. 记 XX 的概率密度函数为 fX(x)fX(x). 解码集 Dec(C)Dec(C)的概率密度函数为
fDec(x)fDec(x). 解码损失函数为:
lossDec=1m∑i=1m||xi−Dec(ci))||lossDec=1m∑i=1m||xi−Dec(ci))||
式中, xixi 为 XX 中的样本, cici 为 xixi 对应于 CC 中的样本, mm 为样本个数. ||⋅||||⋅||为
度量两个样本的距离函数, 常用的函数类型有 L1 和 L2 型函数.
在原有的 JS 散度对抗损失函数中引入解码损失函数进行约束, 需要控制解码约束条件
对 Dec 网络梯度下降的贡献. 主要原因有以下 3 点: 1) G 网络模拟的是训练集 XX 的主要特