Sissejuhatus automaatkooderitesse

See on tehisnärvivõrgu juhtum, mida kasutatakse tõhusa andmete kodeerimise avastamiseks järelevalveta. Autoencoderi eesmärki kasutatakse andmegrupi esitluse õppimiseks, eriti mõõtmete astme vähendamiseks. Automaatkoodritel on ainulaadne funktsioon, mille sisend võrdub väljundiga, moodustades edasisuunamisvõrgud. Autoencoder muudab sisendi tihendatud andmeks, et moodustada madala mõõtmega kood, ja seejärel uuesti sisendit soovitud väljundi moodustamiseks. Sisendatud tihendatud koodi nimetatakse ka varjatud ruumi esitamiseks. Lihtsamalt öeldes on peamine eesmärk vähendada moonutusi vooluahelate vahel.

Autoencoderis on kolm peamist komponenti. Need on kodeerija, dekooder ja kood. Kodeerija ja dekooder on täielikult ühendatud, et moodustada etteandevõrk. Kood toimib ühe kihina, mis toimib ka oma mõõtme järgi. Autoencoderi väljatöötamiseks peate määrama hüperparameetri, st peate määrama põhikihis olevate sõlmede arvu. Üksikasjalikumalt on dekoodri väljundvõrk sisendkooderi peegelpilt. Dekooder loob soovitud väljundi ainult koodikihi abil.

Veenduge, et kooderil ja dekoodril oleksid samad mõõtmete väärtused. Autoenkoodi seadistamise oluline parameeter on koodi suurus, kihtide arv ja iga kihi sõlmede arv.

Koodi suurus on määratletud keskmises kihis olevate sõlmede üldkogusega. Tõhusa kokkusurumise saamiseks on soovitatav keskmise kihi suurus. Kihtide arv autoencoderis võib olla sügav või madal, kui soovite. Autoenkooderis olevate sõlmede arv peaks olema ühesugune nii kooderis kui ka dekoodris. Dekooderi ja kodeerija kiht peab olema sümmeetriline.

Virnastatud automaatkooderis on teil nii kooderis kui dekoodris üks nähtamatu kiht. See koosneb käsitsi kirjutatud piltidest suurusega 28 * 28. Nüüd saate välja töötada nähtamatu kihi 128 sõlmega autoencoderi, mille koodisuurus on 32. Paljude kihtide arvu lisamiseks kasutage seda funktsiooni

model.add(Dense(16, activation='relu'))
model.add(Dense(8, activation='relu'))

teisendamiseks,

layer_1 = Dense(16, activation='relu')(input)
layer_2 = Dense(8, activation='relu')(layer_1)

Nüüd lisatakse selle kihi väljund järgmise kihi sisendina. see on selles tihedas meetodis sissenõutav kiht. Dekooder täidab seda funktsiooni. See kasutab sigmoid-meetodit, et saada väljund vahemikus 0 kuni 1. Kuna sisend jääb vahemikku 0 kuni 1

Selles meetodis sisestuse rekonstrueerimine Autoencoderi poolt toimub ennustamise teel. Kujutise individuaalne test viiakse läbi ja väljund pole täpselt sisendiga, vaid sarnane sisendiga. Nendest raskustest ülesaamiseks saate autoencoderit efektiivsemaks muuta, kui lisada palju kihte ja lisada kihtidesse mitu sõlme. Kuid selle võimsamaks muutmisel saadakse sisendiga sarnaste andmete koopia. Kuid see pole oodatud tulemus.

Autoencoderi arhitektuur

Selles virnastatud arhitektuuris on koodikihil väike sisendteabe mõõtmete väärtus, milles väidetakse, et see on täieliku autokodeeri all.

1. Autoenkooderite denoteerimine

Selle meetodi puhul ei saa ideaalse tulemuse saamiseks sisendsignaali väljundsignaaliks kopeerida. Sest siin sisaldab sisendsignaal müra, mis tuleb enne tulemuseks saadavate tulemuste saamiseks lahutada. Seda protsessi nimetatakse denoiseerivaks autoencoderiks. Esimene rida sisaldab originaalseid pilte. Et muuta need mürarikkaks sisendsignaaliks, lisatakse mõned mürarikkad andmed. Nüüd saate autoenkoodi kujundada müravaba väljundi saamiseks järgmiselt

autoencoder.fit(x_train, x_train)

Modifitseeritud Autoencoder on järgmine,

autoencoder.fit(x_train_noisy, x_train)

Seega saate hõlpsalt müravaba väljundit.

Convolution autoencoderit kasutatakse keerukate signaalide käsitlemiseks ja ka tavalisest protsessist parema tulemuse saamiseks

2. hõredad automaatkooderid

Automaatsete kooderite tõhusaks kasutamiseks võite järgida kahte sammu.

Määrake väike koodisuurus ja teine ​​on autoenkooder denoising.

Siis on veel üks tõhus meetod seadistamine. Selle normaliseerimise rakendamiseks peate seadistama hõreuspiirangud. Kihi mõne sõlmeosa aktiveerimiseks lisage kadumisfunktsioonile mõned lisatingimused, mis suruvad autoenkooderi tegema iga sisendi väiksemate kombineeritud sõlmedena ja see paneb kodeerija leidma antud andmetes mõned unikaalsed struktuurid. See on rakendatav ka suure hulga andmete jaoks, kuna aktiveeritud on ainult osa sõlmedest.

Tühisuse piirangu väärtus on lähemal nullile

Koodikihi genereerimiseks

code = Dense(code_size, activation='relu')(input_img)

Reguleeriva väärtuse lisamiseks

code = Dense(code_size, activation='relu', activity_regularizer=l1(10e-6))(input_img)

Selles mudelis on vaid 0, 01 lõplik kaotus ka seadustamise tähtaja tõttu.

Selles hõredas mudelis vastab hunnik koodiväärtusi loodetud tulemusele. Kuid sellel on üsna madalad dispersiooniväärtused.

Reguleeritud automaatkoodritel on unikaalsed omadused, näiteks vastupidavus puuduvatele sisenditele, hõre kujutis ja tuletiste lähim väärtus esitlustes. Tõhusaks kasutamiseks hoidke minimaalset koodi suurust ning madalat kooderit ja dekoodrit. Nad avastavad sisendite suure läbilaskevõime ja ei vaja efektiivse kodeerimise jaoks täiendavat seadistavat terminit. Neid koolitatakse maksimaalse efekti andmiseks, mitte kopeerimiseks ja kleepimiseks.

3. Variatsiooniautomaatne kooder

Seda kasutatakse keerukatel juhtudel ja see leiab levitamise võimalused sisendandmete kavandamisel. See variatiivne automaatne kooder kasutab efektiivse väljundi saamiseks diskreetimismeetodit. See järgib sama arhitektuuri nagu normaliseeritud automaatkoodrid

Järeldus

Seetõttu kasutatakse automaatkoodereid reaalainete andmete ja piltide õppimiseks, mis on seotud binaarses ja mitmeklassilises klassifikatsioonis. See on lihtne mõõtmete vähendamise protsess. Seda rakendatakse piiratud kasutusega Boltzmanni masinas ja sellel on oluline roll. Seda kasutatakse ka biokeemiatööstuses õppimise paljastamata osa avastamiseks ja kasutatakse intelligentse käitumise mustri tuvastamiseks. Masinõppe igal komponendil on iseorganiseeritud iseloom, Autoencoder on üks neist, mis on tehisintellekti õppimine edukas

Soovitatavad artiklid

See on juhend Autoencoderitele. Siin käsitleme Autoencoderi põhikomponente, milleks on kooder, dekooder ja kood ning Autoencoderi arhitektuur. Võite lisateabe saamiseks vaadata ka järgmisi artikleid -

  1. Suurandmete arhitektuur
  2. Kodeerimine vs dekodeerimine
  3. Masinõppe arhitektuur
  4. Suurandmete tehnoloogiad

Kategooria: