Enkooderi, pullonkaula ja dekooderi
Puristakaa data latenttitilan läpi
Enkooderi, pullonkaula ja dekooderi on ilmainen Deep Learning Academy-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Deep Learning Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.
Tutustukaa autoenkooderiin
Autoenkooderi oppii kopioimaan syötteensä ulostuloksi. Juju on pakottaa data kulkemaan pienen keskiosan kautta, jolloin sen on opittava, mikä todella on tärkeää.
Enkooderi tiivistää
Enkooderi ottaa syötteen ja puristaa sen pieneksi joukoksi numeroita. Ajatelkaa sitä matkalaukun pakkaamisena: mukaan mahtuvat vain välttämättömät tavarat.
Pullonkaula
Pullonkaula on keskellä sijaitseva pienin kerros. Sen pieni koko on koko menetelmän ydin: verkko ei voi vain opetella ulkoa, vaan sen on tiivistettävä tieto. 🎯
Latentti koodi
Pullonkaulan tiivistetyt numerot muodostavat latenttisen koodin. Tämä lyhyt vektori on tiivis, opittu yhteenveto alkuperäisestä syötteestänne.
Dekooderi rakentaa uudelleen
Dekooderi ottaa latenttisen koodin ja yrittää rakentaa siitä koko alkuperäisen syötteen. Se purkaa matkalaukun takaisin hyödylliseen muotoon.
Rekonstruktiohäviö
Onnistumista mitataan rekonstruktiohäviöllä: sillä, kuinka lähellä ulostulo on syötettä. Pienempi häviö tarkoittaa parempaa rekonstruktiota.
loss = mse_loss(decoded, original)Enkooderi PyTorchissa
Enkooderi koostuu usein vain peräkkäisistä lineaarisista kerroksista, jotka pienentävät kokoa. Tässä syötteen 784 arvoa muutetaan vain 32 numeron latenttiseksi koodiksi.
encoder = nn.Sequential(
nn.Linear(784, 128), nn.ReLU(),
nn.Linear(128, 32))Peilikuvamainen dekooderi
Dekooderi yleensä peilaa enkooderia ja kasvattaa koodin takaisin täyteen kokoon. Symmetria pitää rakenteen yksinkertaisena ja tasapainoisena.
decoder = nn.Sequential(
nn.Linear(32, 128), nn.ReLU(),
nn.Linear(128, 784))Miksi pakottaa tiivistämään?
Jos keskiosa olisi suuri, verkko voisi vain kopioida arvot suoraan läpi. Kapea pullonkaula pakottaa sen löytämään datasta todellisen rakenteen.
Koulutus ilman luokkia
Autoenkooderit oppivat pelkästä datasta, eivätkä tarvitse luokkia. Siksi ne ovat klassinen esimerkki ohjaamattomasta oppimisesta. ✨
Latentti avaruus
Kaikki mahdolliset latentit koodit yhdessä muodostavat latenttisen avaruuden. Samankaltaiset syötteet sijoittuvat lähelle toisiaan, joten saatte datastanne tiiviin ja merkityksellisen kartan.
Pikatarkistus
Tarkistetaan pullonkaulan perusajatus.
Kertaus
Tutustuitte kolmeen osaan: tiivistävään enkooderiin, latenttista koodia säilyttävään pieneen pullonkaulaan ja uudelleenrakentavaan dekooderiin. Rekonstruktiohäviö ohjaa koko prosessia. 🎉
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Enkooderi, pullonkaula ja dekooderi” ilmainen?
Kyllä – oppitunnin ”Enkooderi, pullonkaula ja dekooderi” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Deep Learning Academy-kurssin, päivitä CoddyKit PROhon. Deep Learning Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Enkooderi, pullonkaula ja dekooderi”?
Puristakaa data latenttitilan läpi Harjoittelet Deep Learning Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Deep Learning Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Deep Learning Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.
Kuinka kauan ”Enkooderi, pullonkaula ja dekooderi”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Deep Learning Academy-oppitunnilla?
Kyllä. Jokainen Deep Learning Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Enkooderi, pullonkaula ja dekooderi
- Kohinaa poistavat autoenkooderit
- Variaatioautoenkooderit ja latenttitila
- Poikkeamien tunnistus rekonstruktiovirheen avulla