Deep Learning Academy · 강의

인코더, 병목층과 디코더

잠재 공간을 거쳐 데이터를 압축합니다

인코더, 병목층과 디코더은(는) CoddyKit의 무료 Deep Learning Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

Meet the Autoencoder

An autoencoder learns to copy its input to its output. The trick is forcing the data through a tiny middle, so it must learn what truly matters.

The Encoder Compresses

The encoder takes your input and squeezes it down into a small set of numbers. Think of it as packing a suitcase: only the essentials fit.

The Bottleneck

The bottleneck is the smallest layer in the middle. Its tiny size is the whole point: the network cannot just memorize, it has to summarize. 🎯

The Latent Code

The compressed numbers in the bottleneck form the latent code. This short vector is a dense, learned summary of your original input.

The Decoder Rebuilds

The decoder takes the latent code and tries to rebuild the full original input. It unpacks the suitcase back into something useful.

Reconstruction Loss

You measure success with reconstruction loss: how close the output is to the input. Lower loss means a better rebuild.

loss = mse_loss(decoded, original)

An Encoder in PyTorch

An encoder is often just stacked linear layers shrinking the size. Here input 784 becomes a latent code of just 32 numbers.

encoder = nn.Sequential(
    nn.Linear(784, 128), nn.ReLU(),
    nn.Linear(128, 32))

A Mirror-Image Decoder

The decoder usually mirrors the encoder, growing the code back to full size. Symmetry keeps the design simple and balanced.

decoder = nn.Sequential(
    nn.Linear(32, 128), nn.ReLU(),
    nn.Linear(128, 784))

Why Force Compression?

If the middle were large, the net could just copy values straight through. The narrow bottleneck forces it to find real structure in the data.

Trained Without Labels

Autoencoders learn from data alone, no labels needed. This makes them a classic example of unsupervised learning. ✨

The Latent Space

All possible latent codes together form the latent space. Similar inputs land near each other, giving you a compact, meaningful map of your data.

Quick Check

Let us check the core idea of the bottleneck.

Recap

You met the three parts: an encoder that compresses, a tiny bottleneck holding the latent code, and a decoder that rebuilds. Reconstruction loss guides it all. 🎉

자주 묻는 질문

“인코더, 병목층과 디코더” 강의는 무료인가요?

네 — “인코더, 병목층과 디코더” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“인코더, 병목층과 디코더”에서 뭘 배우나요?

잠재 공간을 거쳐 데이터를 압축합니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“인코더, 병목층과 디코더” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Deep Learning Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Deep Learning Academy(으)로 돌아가기