Ce sunt autocodificatoarele?
On noiembrie 11, 2021 by adminO introducere ușoară în autocodificatoare și diferitele sale aplicații. De asemenea, aceste tutoriale folosesc tf.keras,API-ul Python de nivel înalt al TensorFlow pentru construirea și antrenarea modelelor de învățare profundă.
.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。
- Ce este Autoencoder
- Tipuri de Autoencoder
- Aplicații ale Autoencoder
- Implementare
- Implementare
- Exemple excelente
- Concluzie
Dificultate: ★ ★ ☆ ☆ ☆ ☆
後記: 由於 Tensorflow 2.0 alpha 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。
Ce este Autoencoder?
首先,什麼是 Autoencoder 呢? 不囉唆,先看圖吧!
.Conceptul original al Autoencoderului este foarte simplu, constă în a introduce date de intrare și a obține exact aceleași date ca și datele de intrare prin intermediul unei rețele neuronale.Codificatorul primește mai întâi datele de intrare, le comprimă într-un vector Z de dimensiuni mai mici și apoi introduce Z în decodificator pentru a readuce Z la dimensiunea sa originală.Acest lucru pare ușor, dar haideți să aruncăm o privire mai atentă și să vedem dacă este chiar atât de ușor.
.Codificator:
Codificatorul este responsabil pentru comprimarea datelor originale de intrare într-un vector cu dimensiuni reduse C. Acest C, pe care de obicei îl numim cod, vector latent sau vector de caracteristici, dar eu obișnuiesc să îl numesc spațiu latent, deoarece C reprezintă o caracteristică ascunsă.Encoder poate comprima datele originale într-un vector semnificativ cu dimensiuni reduse, ceea ce înseamnă că Autoencoder are o reducere a dimensionalității, iar stratul ascuns are o funcție de activare a transformării neliniare, astfel încât acest Encoder este ca o versiune puternică a PCA, deoarece Encoder poate face non-lineare.reducere dimensională!
Decodificator:
Ceea ce face decodificatorul este să restabilească spațiul latent înapoi la datele de intrare cât mai mult posibil, ceea ce reprezintă o transformare a vectorilor de caracteristici din spațiul dimensional inferior în spațiul dimensional superior.
Deci cum măsori cât de bine funcționează Autoencoder ! Pur și simplu prin compararea similitudinii dintre cele două date de intrare originale și datele reconstruite.Deci, funcția noastră de pierdere poate fi scrisă ca ….
Lasă un răspuns