知识卡片
自编码器的压缩与重建
自编码器由编码器和解码器两部分组成:编码器把高维输入(比如784个像素的图像)压缩成一组低维特征(比如10个数),解码器再尝试用这组压缩特征重建出接近原始输入的结果。整个训练过程不需要任何标签,模型靠”能不能把自己重建回去”这个信号来学习,压缩出的低维特征本身就承载了数据的核心结构,可以直接拿来做后续任务(如聚类)而不需要解码器参与。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第12章 基于LSTM-Autoencoder的无监督聚类模型 12.3 SQLFlow中基于深度学习的聚类模型 · 查看原书依据
首先,我们了解一下提前训练好的自编码器。自编码器本质上也是一种无监督学习算法,因为在训练过程中,它仅读取和解构图像本身,无须定义标签。自编码器在原理上是一种数据压缩算法,由两个部分构成:编码器和解码器。编码器用于将输入数据压缩到较低维度特征。例如一个28像素×28像素的MNIST图像样本共有784个像素,我们构建的编码器可以将其压缩为只有10个浮点数的数组,也称为图像特征。另一方面,解码器将压缩特征作为输入,尽可能地重建与原始图像接近的
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第12章 基于LSTM-Autoencoder的无监督聚类模型,12.3 SQLFlow中基于深度学习的聚类模型(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0068.xhtml)
- 结论依据:原文明确自编码器"由两个部分构成:编码器和解码器。编码器用于将输入数据压缩到较低维度特征……解码器将压缩特征作为输入,尽可能地重建与原始图像接近的图像",并说明"当我们使用自编码器进行聚类任务时,不需要重构图像,只需要把编码器中的压缩特征提取出来"。
- 原始内容:首先,我们了解一下提前训练好的自编码器。自编码器本质上也是一种无监督学习算法,因为在训练过程中,它仅读取和解构图像本身,无须定义标签。自编码器在原理上是一种数据压缩算法,由两个部分构成:编码器和解码器。编码器用于将输入数据压缩到较低维度特征。例如一个28像素×28像素的MNIST图像样本共有784个像素,我们构建的编码器可以将其压缩为只有10个浮点数的数组,也称为图像特征。另一方面,解码器将压缩特征作为输入,尽可能地重建与原始图像接近的