一、自编码器自编码器（Autoencoder）是一种旨在将它们的输入复制到的输出的神经网络。他们通过将输入压缩成一种隐藏空间表示（latent-space representation），然后这种重构这种表示的输出进行工作。这种网络由两部分组成：编码器：将输入压缩为潜在空间表示。可以用编码函数h = f（x）表示。 解码器：这部分旨在重构来自隐藏空间表示的输入。可以用解码函数r = g（h）表示。
转载
2023-12-27 10:28:23
351阅读
Part one视频学习心得及问题总结1 深度学习的数学基础1.1 自编码器变种正则自编码器
使提取的特征表达符合某种性质稀疏自编码器
提取稀疏特征表达去噪自编码器
提取鲁棒特征表达，能够对被破坏的原始数据编码、解码，还能恢复真正的原始数据变分自编码器
基于隐层特征表达空间，通过解码层，生成样本
应用：数据生成、缺失数据填补、图像超分辨率1.2 机器学习三部分：模型、策略、算法2 卷积神经网络深
转载
2023-10-13 00:27:34
153阅读
卷积神经网络自编码器实现与结果分析（1）实现框架：Keras （2）数据集：Mnist 手写数字识别 （3）关键代码：环境配置使用conda，新建一个keras 和tensorflow的环境在win cmd 终端中建立一个新的环境 新建用pip安装三个包C:\Users\TJ619\Downloads\autoencoder-master>conda create -n keras_only
转载
2023-11-04 12:03:02
132阅读
原翻译版本有些不易理解的地方，用自己的语言写了一次。 有监督的神经网络需要我们的数据是有标注（Labeled）的，然而神经网络并不止限于处理有标注的数据，同时还能处理无标注的数据，形如：$${x^{(1)},x^{(2)},x^{(3)},...} 其中 \ x^{(i)}\in{\mathbb{R}^n}$$  
转载
2023-12-28 14:24:55
148阅读
自编码器是什么，自编码器是个神奇的东西，可以提取数据中的深层次的特征。例如我们输入图像，自编码器可以将这个图像上“人脸”的特征进行提取(编码过程)，这个特征就保存为自编码器的潜变量，例如这张人脸的肤色以及头发颜色，自编码器在提取出这些特征之后还可以通过这些特征还原我们的原始数据。这个过程称作“解码”。前言本篇文章可作为<利用变分自编码器实现深度换脸(DeepFake)>(稍后放出)的知
转载
2023-10-07 18:22:39
172阅读
上期为大家讲解了卷积的变体——转置卷积。那么转置卷积可以实现什么样的功能呢？知道的小伙伴请文末留言，我们将抽取一位幸运儿给予神秘奖品哦。本期将继续为大家带来卷积的变体：空洞卷积（Dilated Convolution）。空洞卷积提出背景在像素级预测问题中（比如语义分割，这里以FCN[1]为例进行说明），图像输入到网络中，FCN先如同传统的CNN网络一样对图像做卷积以及池化计算，降低特征图尺寸的同时
转载
2024-03-19 13:54:26
98阅读
最近做了一个卷积码编译码器的设计，查资料的时候感觉资料其实很多但是比较深奥。这里想做一个通俗易懂的分析。也给自己做个笔记。希望能看懂。卷积码编码器卷积码的主要作用是给通信序列增加冗余，建立信息间的联系，从特定的关系中找到序列中的误码。编码器就是给序列增加冗余的器件。卷积码的一般表达为（n,k,m）卷积码。n指编码器的输出位数
k指编码器的输入位数
m指该卷积码的约束长度
输入位数和输出位数可以计算
转载
2023-12-16 12:02:26
409阅读
## 如何实现“自编码器与时间卷积神经网络组合”
### 流程概述
以下是实现“自编码器与时间卷积神经网络组合”的主要步骤：
| 步骤 | 描述 |
| --- | --- |
| 1 | 准备数据集 |
| 2 | 构建自编码器模型 |
| 3 | 构建时间卷积神经网络模型 |
| 4 | 将自编码器和时间卷积神经网络结合 |
| 5 | 训练模型 |
| 6 | 评估模型性能 |
##
原创
2024-03-20 05:34:31
47阅读
参考：https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/22.md
https://github.com/apachecn/vt-cs4624-pyml-zh/blob/master/docs/23.md由于之前有了解CNN，该文章将跳过大部分细节，仅供本人记录学习过程用卷积神经网络Convolutional N
转载
2023-11-03 08:52:55
112阅读
本文介绍了自编码器（AE），变分自编码器（VAE）图自编码器（GAE）和变分图自编码器（VGAE）的基本原理，以及说明了如何使用这四种方法应用到下游任务：分类，聚类，可视化等。
自编码器是无监督学习领域中一个非常重要的工具。最近由于图神经网络的兴起，图自编码器得到了广泛的关注。笔者最近在做相关的工作，对科研工作中经常遇到的：图自编码器（GAE）和
转载
2024-01-10 14:02:36
475阅读
在经典的模式识别中，一般是事先提取特征。提取诸多特征后，要对这些特征进行相关性分析，找到最能代表字符的特征，去掉对分类无关和自相关的特征。然而，这些特征的提取太过依赖人的经验和主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的分类性能。同时，图像预处理的好坏也会影响到提取的特征。那么，如何把特征提取这一过程作为一个自适应、自学习的过程，通过机器学习找到分类性能最优
转载
2024-01-04 08:52:06
50阅读
1.无监督学习无监督学习和监督学习是机器学习的两个方向，监督学习主要适用于已经标注好的数据集（如mnist分类问题），无监督学习则是希望计算机完成复杂的标注任务，简单的解释就是——教机器自己学习，它常见的应用场景有：从庞大的样本集合中选出一些具有代表性的加以标注用于分类器的训练、将所有样本自动分为不同的类别，再由人类对这些类别进行标注、在无类别信息的情况下，寻找好的特征。2.Auto-Encode
转载
2023-08-12 20:08:54
214阅读
自编码器(autoencoder)属于嵌入与表征学习的一种。作为深度神经网络的一类方法，它主要用于数据降维、压缩以及获取低维度表征等。自编码器与传统机器学习中的主成分分析(PCA)、因子分析(FA)等降维方法作用相同，但与之相比更为灵活，效果往往更好。一：基本原理对于自编码器，其结构可分为编码器(encoder)与解码器(decoder)两部分。encoder部分，可以是卷积、池化、全连接等层组成
转载
2023-10-17 13:55:05
212阅读
1.为何要引入空洞卷积1.1.Pool下采样的缺点 在分割网络中，一般先通过Conv和Pool进行操作，其中Conv提取特征信息（假设padding为same），Pool进行下采样。下采样的好处就是能够减少feature map的尺寸并且增大感受野，但是这又引起了另一个问题，那就是经过下采样后，一些细节的信息就丢失掉了。而在后续的上采样阶段，想要对这些丢失掉的
转载
2024-02-08 14:48:54
41阅读
1、自编码的定义 自编码器是一种数据的压缩算法，属于无监督学习，以自身X作为输出值，但输出值X‘ 和自身X之间还是有一些差异的。自编码器也是一种有损压缩，可以通过使得损失函数最小，来实现X’ 近似于X的值。简单的自编码器是一种三层的神经网络模型，包含数据输入层、隐藏层、输出重构层，同时也是一种无监督学习模型。从输入层到隐层称为编码过程，从隐层到输出层称为解码过程。自编码其就相当于自己生成标签，而
转载
2023-12-17 17:12:14
74阅读
卷积自编码器（Convolutional Autoencoder）是一种特殊的自编码器，广泛应用于数据降维、特征提取和无监督学习等任务。通过卷积层来捕捉数据的空间结构，将输入数据通过编码器压缩成潜在表示，再通过解码器重构数据。本文将详细讲解卷积自编码器在 Python 中的实现过程，并通过多个可视化图表辅助理解。
## 协议背景
卷积自编码器的背景中，我们可以用四象限图展示其与传统自编码器以及
# 卷积自编码器（Convolutional Autoencoders）在PyTorch中的应用
卷积自编码器（Convolutional Autoencoders，CAE）是一种用于无监督学习的神经网络。它们由编码器和解码器两部分组成，可以有效地学习到输入数据的特征，并通过重建来评估学习的效果。卷积自编码器不仅在图像处理领域表现出色，还广泛应用于降噪、图像压缩等任务。
## 1. 什么是自编
大家好，我是带我去滑雪！自编码器是一种无监督学习的神经网络，是一种数据压缩算法，主要用于数据降维和特征提取。它的基本思想是将输入数据经过一个编码器映射到隐藏层，再通过一个解码器映射到输出层，使得输出层的结果与输入层的结果尽可能相似。自编码器的主要优点在于可以发现数据中的潜在模式和特征，进而用于特征提取或者压缩数据。它的主要应用领域包括图像去噪，
转载
2024-02-06 21:08:34
87阅读
文章目录卷积码基础卷积码的概念卷积码编码器的结构卷积编码器表示1、连接矢量（生成矢量)2、状态描述和状态图3、树图4、网格图（The trellis Diagram） 卷积码基础分组码—无记忆编码卷积码—记忆编码能够识记卷积码的基本概念;能够根据连接矢量画出卷积码的编码器，并进行编码;能够根据编码器画出该卷积码状态转移图和网格图;能够运用维特比译码算法对卷积码进行译码;了解交织的概念。卷积码的概
转载
2024-08-08 11:05:44
205阅读
自编码器基本原理自编码器（Autoencoder，AE）是一类在半监督学习和非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）。本文主要对MATLAB2020实现堆栈自编码器的相关知识进行整理。Autoencoder类MATLAB提供了Autoencoder class，对2020版网页的简要翻译如下：Des
转载
2023-09-26 06:36:58
150阅读
