Encoder, bottleneck og decoder
Pres data gennem et latent rum.
Encoder, bottleneck og decoder er en gratis Deep Learning Academy-lektion på CoddyKit. Dette er lektion 1 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Deep Learning Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Mød autoencoderen
En autoencoder lærer at kopiere sit input til sit output. Tricket er at tvinge dataene gennem en lille midterdel, så den må lære, hvad der virkelig betyder noget.
Encoderen komprimerer
Encoderen tager dit input og presser det ned til et lille sæt tal. Tænk på det som at pakke en kuffert: Kun det vigtigste kan være der.
Flaskehalsen
Flaskehalsen er det mindste lag i midten. Den lille størrelse er hele pointen: Netværket kan ikke bare huske dataene, men må opsummere dem. 🎯
Den latente kode
De komprimerede tal i flaskehalsen danner den latente kode. Denne korte vektor er en tæt, indlært opsummering af dit oprindelige input.
Decoderen genskaber
Decoderen tager den latente kode og forsøger at genskabe hele det oprindelige input. Den pakker kufferten ud igen til noget nyttigt.
Genskabelsestab
Du måler resultatet med genskabelsestab: hvor tæt outputtet er på inputtet. Et lavere tab betyder en bedre genskabelse.
loss = mse_loss(decoded, original)En encoder i PyTorch
En encoder består ofte blot af stablede lineære lag, der mindsker størrelsen. Her bliver inputtet på 784 til en latent kode med blot 32 tal.
encoder = nn.Sequential(
nn.Linear(784, 128), nn.ReLU(),
nn.Linear(128, 32))En spejlvendt decoder
Decoderen spejler normalt encoderen og udvider koden tilbage til fuld størrelse. Symmetrien holder designet enkelt og afbalanceret.
decoder = nn.Sequential(
nn.Linear(32, 128), nn.ReLU(),
nn.Linear(128, 784))Hvorfor tvinge komprimering?
Hvis midterdelen var stor, kunne netværket bare kopiere værdierne direkte igennem. Den smalle flaskehals tvinger det til at finde den reelle struktur i dataene.
Trænet uden mærkater
Autoencodere lærer kun fra data, uden behov for mærkater. Det gør dem til et klassisk eksempel på uovervåget læring. ✨
Det latente rum
Alle mulige latente koder udgør tilsammen det latente rum. Lignende input lander tæt på hinanden, så du får et kompakt og meningsfuldt kort over dine data.
Hurtigt tjek
Lad os tjekke flaskehalsens centrale idé.
Opsummering
Du mødte de tre dele: en encoder, der komprimerer, en lille flaskehals, der indeholder den latente kode, og en decoder, der genskaber inputtet. Genskabelsestabet styrer det hele. 🎉
Lær Python med en AI-underviser — gratis
Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.
- Kurser
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “Encoder, bottleneck og decoder” gratis?
Ja — hele teksten til “Encoder, bottleneck og decoder” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Deep Learning Academy-kurset, skal du opgradere til CoddyKit PRO. Deep Learning Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Encoder, bottleneck og decoder”?
Pres data gennem et latent rum. Du øver dig i Deep Learning Academy med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.
Skal jeg have erfaring for at begynde på Deep Learning Academy?
Der kræves ingen tidligere erfaring. Deep Learning Academy på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 1 af 4.
Hvor lang tid tager lektionen “Encoder, bottleneck og decoder”?
De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.
Kan jeg skrive og køre kode i denne Deep Learning Academy-lektion?
Ja. Alle Deep Learning Academy-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.
Alle lektioner i dette kursus
- Encoder, bottleneck og decoder
- Denoising-autoencodere
- Variational autoencodere og det latente rum
- Anomalidetektion med rekonstruktionsfejl