O que são Autoencoders?
On Novembro 11, 2021 by adminUma introdução suave ao Autoencoder e suas várias aplicações. Além disso, estes tutoriais usam tf.keras,TensorFlow API de alto nível Python API para construir e treinar modelos de aprendizagem profunda.
>
>
4310>
常常見到 Autoencoder 的變形以及應用,打算花幾篇的時間好好的研究一下,順便練習 Tensorflow.keras 的 API 使用。
- O que é o Autoencoder
- Tipos de Autoencoder
- Aplicação do Autoencoder
- Implantação
- Grandes exemplos
- Conclusão
Dificuldade: ★ ★ ☆ ☆ ☆ ☆
後記: 由於 Tensorflow 2.0 alfa 已於 3/8號釋出,但此篇是在1月底完成的,故大家可以直接使用安裝使用看看,但需要更新至相對應的 CUDA10。
O que é o Autoencoder?
首先,什麼是 Autoencoder 呢? 不囉唆,先看圖吧!
O conceito original do Autoencoder é muito simples, é lançar um dado de entrada e obter exatamente os mesmos dados que os dados de entrada através de uma rede do tipo neural.O codificador primeiro recebe os dados de entrada, comprime-os num vector Z de dimensão menor e depois introduz o Z no descodificador para restaurar o Z ao seu tamanho original.Isto parece fácil, mas vamos dar uma olhada mais de perto e ver se é assim tão fácil.
Encoder:
Encoder é responsável por comprimir os dados de entrada originais num vector C de baixa dimensão. Este C, a que costumamos chamar código, vector latente ou vector de característica, mas estou habituado a chamar-lhe espaço latente, porque o C representa uma característica oculta.O codificador pode comprimir os dados originais em um vetor significativo de baixa dimensão, o que significa que o Autoencoder tem redução de dimensionalidade, e a camada oculta tem fuction de ativação de transformação não-linear, então este codificador é como uma versão poderosa do PCA, porque o codificador pode fazerredução de dimensão!
Descodificador:
O que o Descodificador faz é restaurar ao máximo o espaço latente de volta aos dados de entrada, o que é uma transformação dos vectores de características do espaço dimensional inferior para o espaço dimensional superior.
Então como você mede o quão bem o Autoencoder está funcionando ! Simplesmente comparando a semelhança dos dois dados de entrada originais com os dados reconstruídos.Assim, a nossa função de perda pode ser escrita como ….
Perda de função:
Porque queremos minimizar a diferença entre osO AutoEncoder é treinado usando a retropropagação para atualizar os pesos, assim como uma rede neural normal.actualizar os pesos.
Para resumir, Autoencoder é ….
1. uma arquitetura de modelo muito comum, também comumente usada para aprendizagem não supervisionada
2. pode ser usada como um método de redução de dimensão para não-linear
3. pode ser usada para aprender a representação de dados, com transformações de características representativas
Neste ponto, deve ser fácil entender como é o Autoencoder, a arquitetura é muito simples, então vamos dar uma olhada nas suas transformações!
Tipos de Autoencoder
Depois de explicar os princípios básicos do AutoEncoder, é hora de dar uma olhada no uso estendido e avançado do Autoencoder, para que você possa ver o uso extensivo do Autoencoder!
2-1. Unet:
Unet pode ser usado como um dos meios de segmentação de imagem, e a arquitetura Unet pode ser vista como uma variante do Autoencoder.
2-2. Autoencoders Recursivos:
Esta é uma rede que combina novo texto de entrada com espaço latente de outras entradas, o propósito desta rede é a classificação dos sentimentos.Isto também pode ser visto como uma variante do Autoencoder, que extrai o texto esparso à medida que é digitado e encontra o espaço latente que é importante.
Deixe uma resposta