深度学习源代码162566

深度学习源代码，hinton论文附带源代码，包括图像编码和解码两部分。通过训练深层网络降维高位图片数据，并比较复原误差。主要利用级联Boltzmann估计多层网络初始参数，使得多层神经网络可以被很好的训练并得到理想结果。

% Version 1.000
%
% Code provided by Ruslan Salakhutdinov and Geoff Hinton
%
% Permission is granted for anyone to copy use modify or distribute this
% program and accompanying programs and documents for any purpose provided
% this copyright notice is retained and prominently displayed along with
% a note saying that the original programs are available from our
% web page.
% The programs and documents are distributed without any warranty express or
% implied.  As the programs were written for research purposes only they have
% not been tested to the degree that would be advisable in any important
% application.  All use of these programs is entirely at the user‘s own risk.

% This program fine-tunes an autoencoder with backpropagation.
% Weights of the autoencoder are going to be saved in mnist_weights.mat
% and trainig and test reconstruction errors in mnist_error.mat
% You can also set maxepoch default value is 200 as in our paper.  

maxepoch=200;
fprintf（1‘\nFine-tuning deep autoencoder by minimizing cross entropy error. \n‘）;
fprintf（1‘60 batches of 1000 cases each. \n‘）;

load mnistvh
load mnisthp
load mnisthp2
load mnistpo 

makebatches;
[numcases numdims numbatches]=size（batchdata）;
N=numcases; 

%%%% PREINITIALIZE WEIGHTS OF THE AUTOENCODER %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
w1=[vishid; hidrecbiases];
w2=[hidpen; penrecbiases];
w3=[hidpen2; penrecbiases2];
w4=[hidtop; toprecbiases];
w5=[hidtop‘; topgenbiases]; 
w6=[hidpen2‘; hidgenbiases2]; 
w7=[hidpen‘; hidgenbiases]; 
w8=[vishid‘; visbiases];

%%%%%%%%%% END OF PREINITIALIZATIO OF WEIGHTS  %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

l1=size（w11）-1;
l2=size（w21）-1;
l3=size（w31）-1;
l4=size（w41）-1;
l5=size（w51）-1;
l6=size（w61）-1;
l7=size（w71）-1;
l8=size（w81）-1;
l9=l1; 
test_err=[];
train_err=[];


for epoch = 1:maxepoch

%%%%%%%%%%%%%%%%%%%% COMPUTE TRAINING RECONSTRUCTION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
err=0; 
[numcases numdims numbatches]=size（batchdata）;
N=numcases;
 for batch = 1:numbatches
  data = [batchdata（::batch）];
  data = [data ones（N1）];
  w1probs = 1./（1 + exp（-data*w1））; w1probs = [w1probs  ones（N1）];
  w2probs = 1./（1 + exp（-w1probs*w2））; w2probs = [w2probs ones（N1）];
  w3probs = 1./（1 + exp（-w2probs*w3））; w3probs = [w3probs  ones（N1）];
  w4probs = w3probs*w4; w4probs = [w4probs  ones（N1）];
  w5probs = 1./（1 + exp（-w4probs*w5））; w5probs = [w5probs  ones（N1）];
  w6probs = 1./（1 + exp（-w5probs*w6））; w6probs = [w6probs  ones（N1）];
  w7probs = 1./（1 + exp（-w6probs*w7））; w7probs = [w7probs  ones（N1）];
  dataout = 1./（1 + exp（-w7probs*w8））;
  err= err +  1/N*sum（sum（ （data（:1:end-1）-dataout）.^2 ））; 
  end
 train_err（epoch）=err/numbatches;

%%%%%%%%%%%%%% END OF COMPUTING TRAINING RECONSTRUCTION ERROR %%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%% DISPLAY FIGURE TOP ROW REAL DATA BOTTOM ROW RECONSTRUCTIONS %%%%%%%%%%%%%%%%%%%%%%%%%
fprintf（1‘Displaying in figure 1: Top row - real data Bottom row -- reconstructions \n‘）;
output=[];
 for i

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件       5594  2006-05-24 04:09  code\backprop.m

     文件       2723  2006-05-24 04:09  code\CG_MNIST.m

     文件       3010  2006-05-24 04:09  code\converter.m

     文件       2523  2006-05-24 04:09  code\makebatches.m

     文件       9003  2006-05-24 04:09  code\minimize.m

     文件       2199  2006-05-24 04:09  code\mnistdeepauto.m

     文件       1084  2006-05-24 04:09  code\mnistdisp.m

     文件       3914  2006-05-24 04:09  code\rbm.m

     文件       3964  2006-05-24 04:09  code\rbmhidlinear.m

     文件       2245  2006-05-24 04:35  code\README.txt

     文件    1648877  2014-10-24 16:58  code\t10k-images-idx3-ubyte.gz

     文件       4542  2014-10-24 16:57  code\t10k-labels-idx1-ubyte.gz

     文件    9912422  2014-10-24 17:03  code\train-images-idx3-ubyte.gz

     文件      28881  2014-10-24 16:57  code\train-labels-idx1-ubyte.gz

     目录          0  2014-10-24 17:03  code

----------- ---------  ---------- -----  ----

             11630981                    15