Encoder, bottleneck och decoder
Pressa data genom ett latent rum
Encoder, bottleneck och decoder är en gratis lektion i Deep Learning Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Deep Learning Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Möt autoencodern
En autoencoder lär sig att kopiera sin indata till sin utdata. Knepet är att tvinga datan genom ett litet mellanlager, så att modellen måste lära sig vad som verkligen är viktigt.
Encodern komprimerar
Encodern tar din indata och pressar ihop den till en liten uppsättning tal. Tänk på det som att packa en resväska: bara det viktigaste får plats.
Flaskhalsen
Flaskhalsen är det minsta lagret i mitten. Den lilla storleken är själva poängen: nätverket kan inte bara memorera utan måste sammanfatta. 🎯
Den latenta koden
De komprimerade talen i flaskhalsen bildar den latenta koden. Denna korta vektor är en tät, inlärd sammanfattning av din ursprungliga indata.
Decodern bygger upp igen
Decodern tar den latenta koden och försöker bygga upp hela den ursprungliga indatan igen. Den packar upp resväskan till något användbart.
Rekonstruktionsförlust
Du mäter resultatet med rekonstruktionsförlust: hur nära utdatan ligger indatan. Lägre förlust innebär en bättre rekonstruktion.
loss = mse_loss(decoded, original)En encoder i PyTorch
En encoder består ofta bara av staplade linjära lager som gradvis minskar storleken. Här omvandlas indata med storleken 784 till en latent kod med endast 32 tal.
encoder = nn.Sequential(
nn.Linear(784, 128), nn.ReLU(),
nn.Linear(128, 32))En spegelvänd decoder
Decodern speglar vanligtvis encodern och bygger upp koden till full storlek igen. Symmetri håller designen enkel och balanserad.
decoder = nn.Sequential(
nn.Linear(32, 128), nn.ReLU(),
nn.Linear(128, 784))Varför tvinga fram komprimering?
Om mitten vore stor skulle nätverket bara kunna kopiera värden rakt igenom. Den smala flaskhalsen tvingar det att hitta verklig struktur i datan.
Tränad utan etiketter
Autoencoders lär sig direkt från data utan att behöva etiketter. Det gör dem till ett klassiskt exempel på oövervakad inlärning. ✨
Det latenta rummet
Alla möjliga latenta koder bildar tillsammans det latenta rummet. Liknande indata hamnar nära varandra, vilket ger dig en kompakt och meningsfull karta över dina data.
Snabb kontroll
Låt oss kontrollera grundidén med flaskhalsen.
Sammanfattning
Du fick bekanta dig med de tre delarna: en encoder som komprimerar, en liten flaskhals som innehåller den latenta koden och en decoder som bygger upp indatan igen. Rekonstruktionsförlusten styr alltihop. 🎉
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Encoder, bottleneck och decoder” gratis?
Ja – hela texten till ”Encoder, bottleneck och decoder” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Deep Learning Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Encoder, bottleneck och decoder”?
Pressa data genom ett latent rum Ni övar på Deep Learning Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Deep Learning Academy?
Du behöver inga förkunskaper. Utbildningen i Deep Learning Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Encoder, bottleneck och decoder”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Deep Learning Academy-lektionen?
Ja. Varje Deep Learning Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Encoder, bottleneck och decoder
- Brusreducerande autoencoders
- Variational autoencoders och det latenta rummet
- Avvikelsedetektering med rekonstruktionsfel