如何训练神经网络来学习从高维空间(~300 d)映射到二维平面的“函数”？
如何训练神经网络来学习从高维空间(~300 d)映射到二维平面的“函数”？
提问于 2020-02-05 09:40:41
现在，我在300维空间中有10M个数据点，等待还原成2D空间。我知道一些降维算法，如t、多核t、Q、umap、largevis.然而，对于如此大规模的数据来说，它们太慢了。我认为以下的想法可以减轻这个问题：
- 简单的10%数据，应用DR算法得到每个数据的(300 d，2d)对，并将其作为训练数据。
- 利用训练数据训练一个深度神经网络，将300 d到2d的
- 映射应用于其余90%的数据。
这是否一个可行的想法？你知道有类似想法的作品吗？对于建立这样一个神经网络，有什么建议吗？
回答 1
Stack Overflow用户
发布于 2020-02-05 10:30:04
你要找的是自动编码器。
训练这个神经网络时，输出向量最接近输入向量(您可能需要尝试几个距离损失:欧氏距离，TripletSemiHardLoss，.)。这样，包含两个神经元的隐藏层将成为您的2D表示！在任何情况下，您的方法也是明智的，也许只是稍微辛苦一点。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/60072885
复制相关文章
相似问题
腾讯云开发者
