@hbaderts mô tả toàn bộ quy trình làm việc một cách hoàn hảo. Tuy nhiên, nó có thể không có ý nghĩa gì trong trường hợp bạn hoàn toàn mới với ý tưởng này. Do đó, tôi sẽ giải thích nó theo cách của giáo dân (do đó, tôi sẽ bỏ qua chi tiết):
Hãy nghĩ về các mạng sâu như một chức năng để chuyển đổi dữ liệu của bạn. Ví dụ về các phép biến đổi bao gồm chuẩn hóa, lấy nhật ký dữ liệu, vv Các mạng sâu bạn đang đào tạo có nhiều lớp. Mỗi lớp được đào tạo bằng cách sử dụng một số loại thuật toán học tập. Đối với lớp đầu tiên, bạn chuyển dữ liệu gốc làm đầu vào và cố gắng lấy một hàm sẽ trả lại cho bạn "cùng dữ liệu gốc" đó làm đầu ra. Tuy nhiên, bạn không có được đầu ra hoàn hảo. Do đó, bạn sẽ nhận được một phiên bản chuyển đổi của đầu vào của bạn là đầu ra của lớp đầu tiên.
Bây giờ, đối với lớp thứ hai, bạn lấy những "dữ liệu được chuyển đổi" đó và chuyển chúng làm đầu vào và lặp lại toàn bộ quá trình học tập. Bạn tiếp tục làm điều đó cho tất cả các lớp trong mạng lưới sâu của bạn.
Ở lớp cuối cùng, những gì bạn nhận được là một "phiên bản được chuyển đổi" của dữ liệu đầu vào ban đầu của bạn. Điều này có thể được coi là mức độ trừu tượng cao hơn của dữ liệu đầu vào ban đầu của bạn. Lưu ý rằng, bạn chưa sử dụng nhãn / đầu ra trong mạng sâu của mình. Do đó, tất cả mọi thứ cho đến thời điểm này là học tập không giám sát. Điều này được gọi là đào tạo trước lớp khôn ngoan.
Bây giờ, bạn muốn đào tạo một mô hình phân loại / hồi quy và đây là một vấn đề học tập có giám sát. Cách bạn đạt được mục tiêu đó là bằng cách lấy "phiên bản biến đổi cuối cùng" của đầu vào ban đầu của bạn từ lớp cuối cùng trong mạng sâu của bạn và sử dụng chúng làm đầu vào cho bất kỳ trình phân loại nào (ví dụ: phân loại knn / phân loại mềm / hồi quy logistic, v.v.). Điều này được gọi là xếp chồng.
Khi bạn đang đào tạo trình phân loại / người học bước cuối cùng này, bạn tuyên truyền tất cả việc học của bạn trong mạng hoàn chỉnh. Điều này đảm bảo rằng bạn có thể học hỏi từ các nhãn / đầu ra và sửa đổi các tham số khôn ngoan của lớp đã học cho phù hợp.
Vì vậy, một khi bạn đã đào tạo mô hình thế hệ của mình, hãy lấy đầu ra của mô hình thế hệ của bạn và sử dụng mô hình đó làm đầu vào cho trình phân loại / người học. Hãy để lỗi chảy qua toàn bộ mạng khi quá trình học tiếp tục để bạn có thể sửa đổi tham số lớp khôn ngoan đã học trong các bước trước.