Úvod do automatických kódov

Je to prípad umelej nervovej siete, ktorá sa používa na odhalenie účinného kódovania údajov bez dozoru. Cieľom Autoencoderu je naučiť sa prezentáciu pre skupinu údajov, najmä na zníženie rozmerov. Autoenkodéry majú jedinečnú vlastnosť, keď je jeho vstup rovnaký ako jej výstup vytváraním sietí na predávanie. Autoencoder zmení vstup na komprimované údaje, aby vytvoril nízko-rozmerný kód, a potom znova sleduje vstup, aby vytvoril požadovaný výstup. Komprimovaný kód vstupu sa nazýva aj reprezentácia latentného priestoru. Jednoduchým cieľom je znížiť skreslenie medzi obvodmi.

Autoencoder má tri hlavné komponenty. Sú to kodér, dekodér a kód. Kodér a dekodér sú úplne spojené a tvoria sieť na posielanie krmiva. Kód funguje ako jedna vrstva, ktorá funguje podľa vlastnej dimenzie. Ak chcete vyvinúť automatický kód, musíte nastaviť hyperparameter, ktorým musíte nastaviť počet uzlov v základnej vrstve. Podrobnejšie je výstupnou sieťou dekodéra zrkadlový obraz vstupného kodéra. Dekodér vytvára požadovaný výstup iba pomocou kódovej vrstvy.

Zaistite, aby kodér a dekodér mali rovnaké rozmerové hodnoty. Dôležitým parametrom na nastavenie automatického kódovača je veľkosť kódu, počet vrstiev a počet uzlov v každej vrstve.

Veľkosť kódu je definovaná celkovým počtom uzlov prítomných v strednej vrstve. Na dosiahnutie efektívnej kompresie sa odporúča malá veľkosť strednej vrstvy. Počet vrstiev v automatickom kóderi môže byť podľa potreby hlboký alebo plytký. Počet uzlov v automatickom kóderi by mal byť rovnaký v kodéri aj dekodéri. Vrstva dekodéra a kodéra musí byť symetrická.

V naskladanom automatickom kódere máte jednu neviditeľnú vrstvu v kodéri aj dekodéri. Skladá sa z ručne napísaných obrázkov s veľkosťou 28 * 28. Teraz môžete vyvinúť automatický kódovač so 128 uzlami v neviditeľnej vrstve s 32 ako veľkosť kódu. Túto funkciu použite na pridanie väčšieho počtu vrstiev

model.add(Dense(16, activation='relu'))
model.add(Dense(8, activation='relu'))

na konverziu,

layer_1 = Dense(16, activation='relu')(input)
layer_2 = Dense(8, activation='relu')(layer_1)

Teraz sa výstup tejto vrstvy pridá ako vstup do ďalšej vrstvy. to je vrstva, ktorá sa dá volať pri tejto hustej metóde. Túto funkciu vykonáva dekodér. Používa metódu sigmoid na získanie výstupu medzi 0 a 1. Pretože vstup leží v rozsahu 0 až 1

Rekonštrukcia vstupu pomocou automatického kódovača v tejto metóde sa uskutočňuje predikciou. Vykonáva sa individuálny obrazový test a výstup nie je presne taký istý ako vstup, ale podobný vstupu. Ak chcete prekonať tieto ťažkosti, môžete zvýšiť účinnosť automatického kódovania pridaním mnohých vrstiev a pridaním viacerých uzlov do vrstiev. Ak sa však stane silnejším, výsledkom bude kópia údajov podobných vstupu. Toto však nie je očakávaný výsledok.

Architektúra autoencodera

V tejto skladanej architektúre má kódová vrstva malú rozmerovú hodnotu ako vstupné informácie, v ktorých sa uvádza, že je pod úplným automatickým kódovacím kódom.

1. Denoising Autoencoders

V tejto metóde nemôžete kopírovať vstupný signál na výstupný signál, aby ste dosiahli perfektný výsledok. Pretože tu vstupný signál obsahuje šum, ktorý musí byť odpočítaný pred získaním výsledku, ktorý je základným potrebným údajom. Tento proces sa nazýva denoising autoencoder. Prvý riadok obsahuje originálne obrázky. Aby sa z nich stal hlučný vstupný signál, pridajú sa niektoré hlučné údaje. Teraz môžete navrhnúť automatický dekodér tak, aby ste dosiahli výstup bez šumu nasledovne

autoencoder.fit(x_train, x_train)

Upravený Autoencoder je nasledovný,

autoencoder.fit(x_train_noisy, x_train)

Z tohto dôvodu môžete ľahko získať výstup bez šumu.

Konvolučný autokodér sa používa na spracovanie zložitých signálov a tiež na dosiahnutie lepšieho výsledku ako v bežnom procese

2. riedke autoenkodéry

Ak chcete efektívne používať autoenkodéry, môžete vykonať dva kroky.

Nastavte malú veľkosť kódu a druhým je odradzujúci automatický kódovač.

Ďalším efektívnym spôsobom je regularizácia. Ak chcete použiť túto regularizáciu, musíte napraviť obmedzenia sporivosti. Ak chcete aktivovať niektoré časti uzlov vo vrstve, pridajte niektoré ďalšie výrazy k funkcii straty, ktorá tlačí autoenkodér, aby každý vstup urobil ako kombinované menšie uzly, a vďaka tomu kodér nájde v daných dátach jedinečné štruktúry. Je tiež použiteľná pre veľké množstvo údajov, pretože je aktivovaná iba časť uzlov.

Hodnota obmedzenia sporivosti je bližšie k nule

Ak chcete vygenerovať vrstvu kódu,

code = Dense(code_size, activation='relu')(input_img)

Ak chcete pridať hodnotu regularizácie,

code = Dense(code_size, activation='relu', activity_regularizer=l1(10e-6))(input_img)

V tomto modeli je iba 0, 01 konečnou stratou, ktorá je tiež spôsobená regularizačným termínom.

V tomto riedkom modeli je veľa očakávaných výsledkov pravdivé. Má však pomerne nízke hodnoty rozptylu.

Pravidelné autoenkodéry majú jedinečné vlastnosti, ako je odolnosť voči chýbajúcim vstupom, riedka reprezentácia a najbližšia hodnota k derivátom v prezentáciách. Aby ste ich mohli efektívne používať, udržiavajte minimálnu veľkosť kódu a plytký kodér a dekodér. Objavujú vysokú kapacitu vstupov a na to, aby kódovanie bolo efektívne, nepotrebujú žiadny ďalší normalizačný termín. Sú vyškolení tak, aby dávali maximalizovaný účinok, a nie kopírovanie a vkladanie.

3. Variačný autokodér

Používa sa v zložitých prípadoch a zisťuje šance na distribúciu pri navrhovaní vstupných údajov. Tento variačný autokodér používa na získanie účinného výstupu vzorkovaciu metódu. Sleduje rovnakú architektúru ako regularizované autoenkodéry

záver

Preto sa autoenkodéry používajú na osvojenie údajov a obrázkov v reálnom svete, ktoré sú zapojené do binárnych a viacstupňových klasifikácií. Je to jednoduchý proces na zníženie rozmerov. Používa sa v obmedzenom stroji Boltzmann a v ňom zohráva dôležitú úlohu. Používa sa tiež v biochemickom priemysle na odhalenie neodhalenej časti učenia a používa sa na identifikáciu modelu inteligentného správania. Každá zložka strojového učenia má samoorganizovaný charakter, Autoencoder je jednou z tých, ktorá je úspešným učením umelej inteligencie

Odporúčané články

Toto je sprievodca po automatických kódovačoch. Tu diskutujeme o hlavných komponentoch v Autoencodere, ktoré sú enkodér, dekodér a kód, a architektúre Autoencoderu. Ďalšie informácie nájdete aj v nasledujúcich článkoch -

  1. Architektúra veľkých dát
  2. Kódovanie vs dekódovanie
  3. Architektúra strojového učenia
  4. Veľké dátové technológie

Kategórie:

Veľké dáta