TensorFlow Autoencoder mély tanulási példa - Guru99
Mi az Autoencoder?
Az autokódoló nagyszerű eszköz a bemenet újrateremtéséhez. Egyszerű szóval a gép mondjuk képet készít, és szorosan kapcsolódó képet képes előállítani. Az ilyen típusú ideghálózatba beírt bemenet nincs bejelölve, ami azt jelenti, hogy a hálózat képes felügyelet nélküli tanulásra. Pontosabban, a bemenet hálózati kódolású, hogy csak a legkritikusabb tulajdonságra összpontosítson. Ez az egyik oka annak, hogy az auto-kódoló népszerű a dimenzió csökkentésében. Ezen kívül autokódolók is használhatók a gyártáshoz generatív tanulási modellek. Például az ideghálózat egy arckészlettel oktatható, majd új arcokat hozhat létre.
Ebben az oktatóanyagban megtudhatja:
Hogyan működik az Autoencoder?
Az autokódoló célja a bemenet közelítésének előállítása, amely csak az alapvető jellemzőkre összpontosít. Gondolhatja, miért nem csak megtanulja, hogyan kell bemásolni és beilleszteni a bemenetet a kimenet előállításához. Valójában az autokódoló olyan megszorítások összessége, amelyek arra kényszerítik a hálózatot, hogy ne csak a kimenetet másolja, hanem új módon is megtanulja az adatokat.
A tipikus autokódolót bemenettel, belső ábrázolással és kimenettel (a bemenet közelítésével) határozzák meg. A tanulás a belső reprezentációhoz kapcsolódó rétegekben történik. Valójában két fő réteg blokk van, amelyek úgy néznek ki, mint egy hagyományos neurális hálózat. A kis különbség az, hogy a kimenetet tartalmazó rétegnek meg kell egyeznie a bemenettel. Az alábbi képen az eredeti bemenet az első blokknak megy kódoló. Ez a belső ábrázolás tömöríti (csökkenti) a bemenet méretét. A második blokkban a bejárat rekonstrukciója zajlik. Ez a dekódolási szakasz.
A modell frissíti a súlyokat, minimalizálva a veszteség funkciót. A modell büntetést kap, ha a rekonstrukció kimenete eltér a bemenettől.