深度学习入门之PyTorch学习笔记绪论1 深度学习介绍2 深度学习框架3 多层全连接网络4 卷积神经网络4.1 主要任务及起源4.2 卷积神经网络的原理和结构4.2.1 卷积层1.概述2.局部连接3.空间排列4.零填充的使用5.步长限制6.参数共享7.总结4.2.2 池化层4.2.3 全连接层4.2.4 卷积神经网络的基本形式1.小滤波器的有效性2.网络的尺寸4.3 PyTorch卷积模块4.
转载
2024-06-07 11:29:03
33阅读
# 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
卷积码（convolutional code）是信道编码的一种。信道编码被用于物理层，目的是减少因不完美信道造成的误码。卷积码的生成方式是将待传输的信息序列通过线性有限状态移位寄存器。接收方使用最大似然法解码（maximum likelihood decoding）。1. 编码1.1. 从编码器的角度理解编码过程 个能存储 个比特的 stage 和 个莫二加法运算器以及一个 位寄存器组成
转载
2024-01-29 02:18:03
134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
引用维基百科的定义，”自编码器是一种人工神经网络，在无监督学习中用于有效编码。自编码的目的是通过一组数据学习出一种特征(编码)，通常用于降维。“为了建立一个自编码器，我们需要三件事：一个编码函数，一个解码函数，和一个衡量压缩特征和解压缩特征间信息损失的距离函数(也称为损失函数)。如果我们要在 Pytorch 中编写自动编码器，我们需要有一个自动编码器类，并且必须使用super从父类继承__in
# 实现“卷积变分自编码器 pytorch”
## 简介
在本文中，我将教会你如何使用PyTorch实现卷积变分自编码器(Convolutional Variational Autoencoder, Conv-VAE)。卷积变分自编码器是一种无监督学习模型，可以用于生成高质量的图像，并且可以用于图像的特征提取和降维。
## 整体流程
下面是卷积变分自编码器的实现流程，我们将使用表格展示每个
原创
2023-09-15 10:30:49
444阅读
变分自编码器（Variational Autoencoder，VAE）是近年来受欢迎的一种生成模型，它通过引入潜变量的分布学习复杂的数据分布。采用PyTorch实现的卷积变分自编码器（Convolutional Variational Autoencoder）在图像生成、图像重建等领域表现出色。以下是关于如何解决“变分自编码器 PyTorch 卷积”问题的详细记载。
### 背景定位
在图像生
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
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
卷积码原理介绍 文章目录卷积码原理介绍1.基本概念1.1 编码器状态2.(n,1,m)卷积编码及仿真3.(n,k,m)卷积编码及仿真4.总结 1.基本概念首先卷积码是一种纠错码，让我们先从大格局出发，去认识卷积码。如图1所示我是先从通信原理书上了解了卷积码的概念，再结合网上部分资料，勉强搞懂，感觉主要需要掌握卷积码编码器、状态图、网状图。基本概念太多，要叙述起来需要花挺多时间的，不过网上这部分资料
转载
2024-09-22 22:31:57
25阅读
如题，代码终于跑动啦，记录一下，写了很多注释，可以自行观看。%%卷积码（n,k,N)=（2，1，7） 约束长度为7
%生成多项式（171，133）
% = G[1 1 1 1 0 0 1
% 1 0 1 1 0 1 1]
clc;clear all;close all;
data = randi([0,1],1,100);
% data = [1 0 1 1 1 0 1 0 0 0 0
转载
2023-12-12 20:25:19
245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
深度学习系列第一篇 局部最优点+鞍点+学习率的调节 第二篇 并行计算 深度学习 机器学习 第三篇 长短期记忆网络（LSTM）是什么怎么工作的呢？ 第四篇 Dropout解析 代码实现 第五篇 Auto-encoder 自编码器 文章目录深度学习系列前言一、基础问题1.为什么要用Auto-Encoder自编码器2. Auto-Encoder的过程3. Auto-Encoder自编码器和整个模型的关系
（1）简介Deep Learning最简单的一种方法是利用人工神经网络的特点，人工神经网络（
原创
2022-07-14 12:48:35
282阅读
卷积去噪自动编码器简介卷积去噪自动编码器原理其实并不复杂，只是在卷积自动编码器中的输入加入了噪声。这样训练后可以用于获得破损(加入噪声)的输入和纯净的输出之间的映射关系。 上图为卷积自动编码器模型。它包含编码（Encoder）和解码(Decoder)两个部分，在我们加入噪声之后，可以用于做缺陷检测之类。这里详细的我就不介绍了，大家不懂的可以去看看别的博客。代码实现首先是util模块代码如下，这块代
转载
2024-01-27 19:37:32
344阅读
自编码器自动编码器是一种无监督的深度学习算法，它学习输入数据的编码表示，然后重新构造与输出相同的输入。它由编码器和解码器两个网络组成。编码器将高维输入压缩成低维潜在代码(也称为潜在代码或编码空间) ，以从中提取最相关的信息，而解码器则解压缩编码数据并重新创建原始输入。这种架构的目标是在编码时最大化信息并最小化重构误差。但是重构误差是什么？它的名字也是重构损失，通常是输入为实值时重构输入与原始输入之
转载
2024-01-10 20:22:54
63阅读
文章目录数据降维主成分分析（PCA）自编码器（AE）变分自编码器（VAE）pytorch实现AE实现自编码器网络结构实现AE对MNIST数据集的处理VAE实现变分自编码器网络结构实现VAE对MNIST数据集的处理 本文只设计简单的介绍和pytorch实现，数学原理部分请移步知乎“不刷知乎”大佬的文章：半小时理解变分自编码器 本文部分观点引自上述知乎文章。数据降维降维是减少描述数据的特征数量的过程
转载
2023-12-10 09:47:50
133阅读
云桌面pytorch的配置以及简单脚本的编写 一、环境配置 1、更新pip 输入指令：python -m pip install --upgrade pip 2、配置Anaconda（用户管理python版本）： （1）进入官网找到选择版本： https://www.anaconda.com/products/individual（2）下载好后上传至云桌面，然后打开命令行输入： $ bash An
转载
2024-01-02 10:31:34
184阅读
卷积码编译码内容设计思路功能模块结果展示结果分析生成的高斯噪声展示译码时窗长对误码率的影响噪声功率对误码率的影响完整代码 内容本文设计的是（n,k,L）卷积码，其中输出路数n可变，但由于时间紧张k只能固定为1，寄存器个数L也可变，但最大不能超过64个寄存器。编码为0尾卷积码。 本文设计的信道是高斯白噪声的信道，噪声的均值和方差均可变，由于是白噪声均值为0。采用的是软判决的维特比译码，其中采用窗化
转载
2023-11-11 22:09:40
42阅读
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
349阅读
