Encoder, bottleneck en decoder
Pers data samen via een latente ruimte.
Encoder, bottleneck en decoder is een gratis Deep Learning Academy-les op CoddyKit. Dit is les 1 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Deep Learning Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Maak kennis met de auto-encoder
Een auto-encoder leert zijn invoer naar zijn uitvoer te kopiëren. De truc is dat de gegevens door een klein middendeel moeten, waardoor het model moet leren wat echt belangrijk is.
De encoder comprimeert
De encoder neemt je invoer en perst die samen tot een kleine verzameling getallen. Zie het als het inpakken van een koffer: alleen de essentie past erin.
De bottleneck
De bottleneck is de kleinste laag in het midden. De kleine omvang is precies het doel: het netwerk kan niet gewoon onthouden, maar moet samenvatten. 🎯
De latente code
De gecomprimeerde getallen in de bottleneck vormen de latente code. Deze korte vector is een compacte, aangeleerde samenvatting van je oorspronkelijke invoer.
De decoder reconstrueert
De decoder neemt de latente code en probeert de volledige oorspronkelijke invoer opnieuw op te bouwen. Hij pakt de koffer weer uit tot iets bruikbaars.
Reconstructieverlies
Je meet het succes met reconstructieverlies: hoe dicht de uitvoer bij de invoer ligt. Een lager verlies betekent een betere reconstructie.
loss = mse_loss(decoded, original)Een encoder in PyTorch
Een encoder bestaat vaak gewoon uit opeengestapelde lineaire lagen die de omvang verkleinen. Hier wordt invoer van 784 omgezet in een latente code van slechts 32 getallen.
encoder = nn.Sequential(
nn.Linear(784, 128), nn.ReLU(),
nn.Linear(128, 32))Een spiegelbeeldige decoder
De decoder spiegelt de encoder meestal en maakt de code weer volledig groot. Symmetrie houdt het ontwerp eenvoudig en evenwichtig.
decoder = nn.Sequential(
nn.Linear(32, 128), nn.ReLU(),
nn.Linear(128, 784))Waarom compressie afdwingen?
Als het middendeel groot was, zou het netwerk waarden rechtstreeks kunnen kopiëren. De smalle bottleneck dwingt het om echte structuur in de gegevens te vinden.
Getraind zonder labels
Auto-encoders leren alleen van gegevens; labels zijn niet nodig. Daarmee zijn ze een klassiek voorbeeld van onbegeleid leren. ✨
De latente ruimte
Alle mogelijke latente codes samen vormen de latente ruimte. Vergelijkbare invoer komt dicht bij elkaar terecht, waardoor je een compacte, betekenisvolle kaart van je gegevens krijgt.
Korte controle
Laten we het kernidee van de bottleneck controleren.
Samenvatting
Je hebt kennisgemaakt met de drie onderdelen: een encoder die comprimeert, een kleine bottleneck met de latente code en een decoder die reconstrueert. Het reconstructieverlies stuurt dit hele proces. 🎉
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Encoder, bottleneck en decoder” gratis?
Ja — de volledige tekst van “Encoder, bottleneck en decoder” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Deep Learning Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Wat leer ik in “Encoder, bottleneck en decoder”?
Pers data samen via een latente ruimte. Je oefent met Deep Learning Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Deep Learning Academy te beginnen?
Ervaring vooraf is niet nodig. Deep Learning Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 1 van 4.
Hoe lang duurt de les “Encoder, bottleneck en decoder”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Deep Learning Academy?
Ja. Elke les over Deep Learning Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Encoder, bottleneck en decoder
- Denoising-autoencoders
- Variational autoencoders en de latente ruimte
- Anomaliedetectie met reconstructiefout