Autoencoder (de una sola capa)
Toma la entrada sin procesar, la pasa a través de una capa oculta e intenta reconstruir la misma entrada en la salida. Entonces, básicamente funciona como una red neuronal de una sola capa donde, en lugar de predecir etiquetas, predice la entrada solo en la salida. Por lo tanto, la pérdida que calcula está entre la entrada sin formato que proporcionó y la entrada predicha en la capa de salida. Al minimizar esta pérdida, se pronosticará más o menos la misma entrada en la salida que la que está proporcionando. La intuición principal detrás del uso del autoencoder es aprender características latentes de las características sin procesar mientras se conserva la capacidad de producir la entrada sin procesar de las características latentes (se obtiene en la capa oculta). La eliminación de ruido se refiere a la adición intencional de ruido a la entrada sin procesar antes de proporcionarlo a la red. Algunos ruidos son gaussianos y de enmascaramiento. Pero cuando calculará la pérdida, será entre la entrada predicha y la entrada original solamente (no la entrada ruidosa). Mantén esto en mente.
Autoencoder apilado (Denoising)
- ¿Qué programa de maestría de aprendizaje automático en UCL debería elegir?
- ¿Cuáles son las ventajas de aprender el aprendizaje automático desde el punto de vista profesional?
- ¿Qué significa 'regresión' en estadística y aprendizaje automático?
- ¿Cómo debo proceder después de completar el curso de aprendizaje automático de Andrew Ng?
- ¿Qué resultado arrojará una máquina de aprendizaje profundo bien entrenada de esta imagen?
Es un autoencoder que tiene múltiples capas, excepto que su entrenamiento no es lo mismo que un NN multicapa. El proceso, en resumen, se lleva a cabo de la siguiente manera:
Proporcionas ruido a la entrada. Pasa a través de la capa oculta. Se genera la salida y se calcula la pérdida entre la salida (que es la entrada predicha) y la entrada original. Continúa hasta la convergencia cuando la pérdida se minimiza. Luego, finalmente, pasa los datos completos a través de esta red y recopila los datos presentes en la capa oculta. Esta es tu nueva entrada.
Toma esta entrada (recopilada) y le pasa ruido y sigue el mismo procedimiento a partir de entonces. Finalmente, una vez que haya terminado con la última capa, los datos recopilados en esta última capa oculta son ahora sus nuevos datos.
De hecho, tengo una biblioteca simple escrita para autoencoder que hará todo el trabajo por usted. Puedes usarlo.
rajarsheem / libsdae