知识卡片
潜在空间插值不保证有效
普通自编码器只对训练数据附近的潜在表示受到直接训练,随机采样或线性插值可能落入低密度区域,解码结果不一定有效。可视化潜变量有助于理解局部结构,但二维投影或少量样例不能保证高维空间具有清晰类别边界。
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
- 自编码器 · 查看原书依据
试着使用完全随机的隐藏变量
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第25章《自编码器》25.5(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0033_split_005.html`)
- 结论依据:试着使用完全随机的隐藏变量。
- 原始内容:试着使用完全随机的隐藏变量。在图25.28中,每个隐藏变量的数值都是0~25的随机数。 图25.28 对完全随机的隐藏变量进行解码 这些白色的斑点显然不是数字,所以一般情况下,对于这个自编码器来说,随机的隐藏变量会生成看起来随机且无意义的图像。