Пример за дълбоко обучение на TensorFlow Autoencoder - Guru99

Какво е Autoencoder?

Автокодерът е чудесен инструмент за пресъздаване на вход. С проста дума, машината прави, да речем, изображение и може да създаде тясно свързано изображение. Входът в този тип невронна мрежа е немаркиран, което означава, че мрежата е способна на обучение без надзор. По-точно, входът е кодиран от мрежата, за да се фокусира само върху най-критичната функция. Това е една от причините автокодерът да е популярен за намаляване на размерите. Освен това за производство могат да се използват автокодери генеративни модели на обучение. Например, невронната мрежа може да бъде обучена с набор от лица и след това може да създаде нови лица.

В този урок ще научите:

Как работи Autoencoder?

Целта на автокодера е да създаде приближение на входа, фокусирайки се само върху основните характеристики. Може би си мислите защо просто не се научите как да копирате и поставите входа, за да произведете изхода. Всъщност автокодерът е набор от ограничения, които принуждават мрежата да научи нови начини за представяне на данни, различни от просто копиране на изхода.

Типичният автокодер се дефинира с вход, вътрешно представяне и изход (приближение на входа). Ученето се осъществява в слоевете, свързани с вътрешното представяне. Всъщност има два основни блока от слоеве, които приличат на традиционна невронна мрежа. Малката разлика е, че слоят, съдържащ изхода, трябва да бъде равен на входа. На изображението по-долу оригиналният вход влиза в първия блок, наречен енкодер. Това вътрешно представяне компресира (намалява) размера на входа. Във втория блок се извършва реконструкция на входа. Това е фазата на декодиране.

обучение

Моделът ще актуализира тежестите, минимизирайки функцията на загуба. Моделът се наказва, ако изходът за реконструкция е различен от входа.