是否有方法可以从一组图像中学习无监督特征？类似于word2vec或doc2vec，其中神经网络经过学习后，给定新文档即可获取其特征。

期望类似于这个示例，它展示了如何加载已学习的神经网络模型并预测新图像的特征。

是否有简单的示例说明如何在图像上实现卷积神经网络（CNN）并提取其特征，这将非常有帮助！

假设在这个示例中，如果我想为所有X_train和X_test获取CNN特征…有办法做到吗？另外，如果我们能获取每层每张图像的权重，我们可以将它们堆叠起来作为特征。在这种情况下，有没有办法获取这些？使用这些特征进行无监督任务会更容易，如果我们将它们视为向量的话。

回答：

如果我正确理解了你的问题，这个任务在深度学习领域中相当常见。对于图像，我认为最好的方法是使用卷积自编码器。你可以在这里阅读关于这种架构的信息

http://people.idsia.ch/~ciresan/data/icann2011.pdf

Keras的早期版本支持这种架构作为核心层之一，不过从1.0版本开始，我注意到它从文档中消失了。但——从头开始构建它仍然相当容易 🙂

在没有图像的情况下，还有其他方法，例如限制玻尔兹曼机（Restricted Boltzmann Machines）。

更新：

关于从神经网络激活中获取新特征的最佳激活类型——根据我的个人经验——这取决于你使用的网络大小。如果你使用的网络最后一层很宽（有很多节点），仅获取最后一层可能是有用的（由于参数数量，如果你还想考虑前面的层，可能会影响学习性能）。但是——如果（像在某些MNIST网络中那样）你的最后一层不足以完成这个任务——你可以尝试使用前面的层激活甚至整个网络的活动。说实话——我对这种情况下的改进不抱太大希望——但你可以尝试。我认为你应该使用这两种方法——从仅获取最后一层的激活开始——然后尝试检查当你添加前面的层激活时，你的新分类器的行为如何。

我强烈建议你还应该从网络学习的特征类型中获得一些见解——使用其激活的T-SNE嵌入。在许多情况下，我发现这很有用——例如，检查一层的尺寸是否足够。使用T-SNE，你可以检查从最后一层获得的特征是否是你的类别的良好区分器。这也可以为你提供关于数据和神经网络真正学习内容的良好见解（还有令人惊叹的可视化 :)）