在不同的机器上训练自动编码器
自动编码器是一种无监督学习算法，用于学习有效的数据表示。它由一个编码器和一个解码器组成，通过将输入数据压缩到潜在空间编码表示，然后再将其解码为原始数据来重构输入。
自动编码器可以在不同的机器上进行训练。通过在不同的机器上训练自动编码器，可以提高训练效率和资源利用率。例如，可以使用分布式训练方法，在多个计算节点上并行地训练自动编码器。每个节点处理一部分数据，并将学习到的参数传递给其他节点，以共同更新全局模型。
在训练自动编码器时，可以使用不同的机器配置和资源来满足不同的需求。对于大规模数据集，可以使用高性能计算机或集群进行训练。对于小规模数据集，可以使用个人计算机或云服务器进行训练。
自动编码器在许多领域有广泛的应用。以下是一些应用场景：
- 特征学习：自动编码器可以用于学习数据的低维表示，从而提取出有意义的特征。这些特征可以应用于聚类、分类、图像生成等任务。
- 数据压缩：自动编码器可以将数据压缩到潜在空间编码表示，实现数据的无损或有损压缩。这在网络传输和存储中非常有用。
- 异常检测：通过训练自动编码器来重构正常数据，可以使用重构误差来检测异常数据。这在网络安全和异常检测领域有广泛应用。
- 图像去噪：自动编码器可以通过学习从噪声图像重构原始图像的映射，实现图像去噪的功能。
在腾讯云中，可以使用腾讯云机器学习平台（https://cloud.tencent.com/product/tensorflow）来训练自动编码器。该平台提供了强大的分布式计算和高性能计算资源，可以满足训练自动编码器的需求。同时，腾讯云还提供了其他机器学习和深度学习相关的产品和服务，如腾讯云AI开放平台（https://cloud.tencent.com/product/aiopen）、腾讯云深度学习工具箱（https://cloud.tencent.com/product/dltk）等，可以进一步扩展自动编码器的应用场景和功能。
相关·内容
1回答
免责声明:我也在CrossValidated上发布了这个问题，但没有受到任何关注。如果不是这个地方，我会很乐意把它移走的。
据我所知，他们之间唯一的区别是两个网络的训练方式。深层自动编码器的训练方式与单层神经网络相同，而堆叠式自动编码器则采用贪婪、分层的方法进行训练。Hugo在的评论中证实了这一点。我想知道这是不是唯一的区别，有什么指示吗？
浏览 0提问于2018-03-15得票数 6
回答已采纳
4回答
受限玻尔兹曼机-重构
、、、、
我读了一些关于受限玻尔兹曼机器的文章。对这些机器的重建能力进行了测试。我知道训练是如何工作的，但不知道重建是如何进行的。有人能给我一些提示吗？
浏览 1提问于2010-11-05得票数 4
1回答
在场景1中，我有一个多层稀疏的自动编码器，试图复制我的输入，所以我的所有层都与随机启动的权重一起训练。在没有监督层的情况下，在我的数据中，这没有学习到任何相关信息(代码工作正常，因为我已经在许多其他深层神经网络问题中使用过它)
在场景2中，我只是在一个贪婪的分层训练中训练多个自动编码器，类似于深度学习(但最终没有监督步骤)，每一层都在先前的自动编码器的隐藏层的输出上。他们现在将分别学习一些模式(正如我从可视化权重中看到的)，但并不像我所期望的从单层as中学到。
所以我决定尝试一下，如果现在连接到一个多层AE的预先训练的层比随机初始化版本的性能更好的话。正如你所看到的，这和深度神经网络中的微调步
浏览 3提问于2016-01-29得票数 4
回答已采纳
1回答
我正在尝试用tensorflow编写CLDNN的实现，就像在中那样。我对降维层有一个问题。
据我所知，它是由几个堆叠限制Boltzmann机器(RBM)和工作像一个自动编码器。该层的解码器部分只是为了训练编码器以减小井的尺寸。这意味着您希望将编码器的输出“插入”到下一层的输入中。
我可以定义一个损耗函数来训练自动编码器(通过比较解码输出的输入)，还有一个其他的损耗函数来训练整个图。我有办法训练这两个损失函数吗？或者我误解了这里的问题，但我觉得自动编码器的解码器部分是“在循环之外”的，不会被训练。
我发现了这样的自动编码器和卷积层的实现等等.但我不太明白如何在网络中“插入”自动编码器(如在方案中
浏览 5提问于2016-12-07得票数 0
回答已采纳
3回答
我有一组特定物体的图像。我想找出其中一些是否存在机器学习算法的异常。例如，如果我有很多照片的眼镜，我想知道其中一个是坏了，或有什么异常。就像这样：
很好！！
BAD!!
(显然我会用同样的眼镜.)
问题是我不知道每一个消极的情况，所以，对于训练，我只有正面的形象。
换句话说，我需要一种算法来识别图像是否有与数据集不同的内容。你有什么建议吗？
特别是有一种使用卷积神经网络的方法吗？
浏览 7提问于2017-02-07得票数 4
2回答
具有传输学习的自动编码器？
、、、、
有什么方法可以用像ResNet这样的预训练模型来训练自动编码器模型吗？
我试图训练一个自动编码器模型，输入作为图像，输出作为该图像的蒙面版本。
这里有可能使用预先训练过的模型的权重吗？
浏览 1提问于2018-09-22得票数 1
回答已采纳
1回答
我一直在查看keras博客中的自动编码器：https://blog.keras.io/building-autoencoders-in-keras.html
我想知道，为了能够给出不同的表面，也就是二维矢量，需要什么母题，其中一些向量有很大的尖峰。
例如，这里我们看到一个表面看起来很干净：
📷
如果我想从这个表面去除单个的刺，神经网络会是什么样子的呢？
我是否正确地认为，一个正常的完全连接的前馈传播就足够了？如果是的话，是否有任何方法来控制阈值时，峰值是应该消除的？
此外，你是否同意训练原则仍会与在卡拉斯博客中显示的一样？如果我简单地用许多清洁表面的好例子训练它来识别自己，它会起作用吗？
浏览 0提问于2017-08-09得票数 2
回答已采纳
1回答
正确设置堆叠式自动编码器
、、、、
我试图在Keras (tf.keras)中构建一个堆叠的自动编码器。叠层并不是指deep。我为Keras找到的所有例子都是生成例如3个编码器层，3个解码器层，他们训练它，并称之为一天。然而，训练叠层自动编码器的正确方法似乎是本文所描述的方法：。
简单地说，SAE应该是按层方向训练的，如下图所示。第一层训练后，作为第二层训练的输入，重建损失应与第一层而不是输入层进行比较。
我的麻烦就从这里开始。如何告诉Keras在哪些层上使用损失函数？
我就是这么做的。由于Keras中不再存在自动编码器模块，所以我构建了第一个自动编码器，并在第二个自动编码器的第一层设置了编码器的权重(trainabl
浏览 3提问于2018-09-07得票数 20
为了训练去噪自动编码器，我在输入数据中构造了x+n，在输出数据中构造了x(x:原始数据，n:噪声)。学习完成后，我通过一个去噪自动编码器(x_test + n_test -> x_test)获得去噪数据。然后，作为测试，我通过将输入和输出数据构造成相同的值来训练自动编码器，就像传统的自动编码器一样。
(x -> x)
因此，在测试阶段，我获得了类似于去噪自动编码器的去噪数据。为什么通过传统的自动编码器来消除噪音？
请告诉我这两个自动编码器的区别。
浏览 4提问于2018-08-05得票数 2
回答已采纳
1回答
假设我希望使用堆叠的自动编码器作为训练前的步骤。
假设我的自动编码器是40-30-10-30-40。
我的步骤是：
培训40-30-40使用原始的40个特征数据集在输入和输出层。
仅使用上述的经过训练的编码器部分，即40-30编码器，导出原始40个特征的新的30个特征表示。
在输入和输出层中使用新的30个特征数据集(在步骤2中派生)来训练30-10-30。
从第一步，第40-30步开始，把经过训练的编码器从第3步到第30步-第10步，给出一个40-30-10编码器。
将步骤4中的40-30-10编码器作为NN的输入.
a)这是对的吗？
( b)在训练神经网络时，我是
浏览 2提问于2016-04-27得票数 2
回答已采纳
2回答
我的工作是分析脑电数据，这些数据最终需要分类。然而，获得唱片的标签有点昂贵，这促使我考虑了无监督的方法，以更好地利用我们相当数量的未标记数据。
这自然导致考虑堆叠的自动编码器，这可能是一个好主意。然而，使用卷积神经网络也是有意义的，因为某种类型的滤波通常是一种非常有用的EEG方法，很可能考虑的时间应该是局部的，而不是作为一个整体来分析。
有什么好办法把这两种方法结合起来吗？似乎当人们使用CNN的时候，他们通常使用监督训练，还是什么？为我的问题探索神经网络的两个主要好处似乎是无监督的方面，以及微调(例如，创建一个关于人口数据的网络，然后对一个人进行微调)。
那么，有没有人知道我是否可以把CNN训
浏览 0提问于2017-03-21得票数 12
回答已采纳
1回答
众所周知，DNN的主要问题是学习时间长。
但是有一些方法可以加速学习：
批处理规范化 =(x-AVG)/Variance：
批量归一化与实现了相同的精度，训练步骤减少了14倍。
ReLU -校正线性单元(ReLU，LReLU，PReLU，RReLU)：
非饱和激活函数的优点在于两个方面:一是解决所谓的“爆炸/消失梯度”问题。二是加速了的收敛速度。
或任何一个人：(maxout，ReLU-族，tanh)
快速权值初始化(避免消失或爆炸梯度)：
我们的initialization在标准计算机视觉任务(如图像分类和目标检测)上与目前最先进的无监
浏览 4提问于2016-12-09得票数 5
回答已采纳
最近，我被问到如何用未标记的数据预训练深度神经网络，这意味着，我们不再用小的随机数初始化模型的权重，而是从预先训练的模型(和未标记数据)中设置初始权重。
嗯，直觉上，我有点理解，它可能有助于消失梯度问题，并缩短培训时间时，没有太多的标签数据可用。但是，我还是不知道它是怎么做的，你怎么能用没有标签的数据来训练一个神经网络呢？是SOM机器还是Boltzmann机器？
有人听说过这个吗？如果是，你能提供一些链接到资料来源或论文。我很好奇。非常感谢！
浏览 1提问于2018-11-14得票数 0
回答已采纳
1回答
我正在训练一个模型来给黑白图像着色。到目前为止，我已经找到了两种方法；
利用vgg16进行迁移学习
自动编码器从头开始
我做了这两件事，并注意到使用vgg16进行传输学习，虽然它训练速度更快，但与实现自动编码器相比，它产生了可怕的结果。为什么会这样呢？另外，你能提供更多的方法吗？
浏览 3提问于2022-07-30得票数 -1
1回答
我有一个包含文本列的数据集。我使用tf-以色列国防军将这些文本列转换为数字列。我想减少数据集的维度，因为tf创建了许多新的特性/列。
我正在考虑使用自动编码器通过使用编码层的输出来减少数据的维数，将这些输出连接到我的数据中，并使用它作为随机森林的训练集。
我的问题是:上述步骤听起来合理吗？特别是，我是否应该在整个数据集上对自动编码器进行训练，然后将编码层的输出(经过训练后)作为新列来填充随机林？见下面的代码
我使用Keras，所以在定义了自动编码器模型之后，我对整个数据集进行了拟合，然后仅使用编码层对整个数据集进行了预测。然后用这些预测作为我最新的数据。
下面是我使用的代码：
def auto
浏览 0提问于2019-12-01得票数 1
回答已采纳
来自伊恩·古德费罗的“深度学习书”：
如果自动编码器成功地简单地学习了在任何地方设置g(f(x)) = x，那么它就不是特别有用了。相反，自动编码器被设计成无法学习完美地复制。
我不明白这部分。g是解码器，f是编码器。为什么编码器和解码器要完美地表示输入数据x是不可取的？
另一种解决这个问题的方法是--为什么自动编码器需要正规化？我理解在预测机器学习中，我们对模型进行了正则化，使其能够超越训练数据进行推广。
然而，有了足够大规模的培训集(在深度学习中很常见)，就不应该有正规化的必要。在我看来，在任何地方学习g(f(x)) = x似乎都是可取的，我也不明白为什么作者会不这么说。
浏览 0提问于2018-07-27得票数 2
1回答
任务是训练一个神经网络返回输入，就像X -> X或Y -> Y一样。网络至少应该包含两个层。显然，输出必须是线性的(诉诸或不缩放)。
在隐藏层或输出层中使用线性激活函数(如果网络没有隐藏的话)会导致溢出。隐藏层中的Sigmoid和线性输出似乎有效，但只有当我足够准确地指定学习速率时(它需要与4e-6或其他值一样精确，这取决于数据)。但即使在这种情况下，网络似乎也只能返回训练集中包含的值。当有输出节点时，隐藏节点的数量也需要增加一倍。
我的任务是图像处理，首先我想训练我的网络返回输入图像，因为它没有任何处理。
浏览 0提问于2021-07-03得票数 1
1回答
我正在处理一个无状态(return_state = False)的seq2seq预测问题。 假设我有10个维度为( 10 , 50 ,2)的独立时间序列，其中10是样本数，50是时间步数，2是特征数。如果我将这个时间序列划分为training with size (10,35,2)和test (10,15,2)，其中我使用test作为我的预测的验证集(以了解训练的网络预测有多好)，由于lstm在这种情况下是无状态的，因此在训练期间的批次之间会刷新(重置)状态(假设batch size = 1-->一次训练一个样本)。 我的主要问题是，在对大小为(10,15,2)的测试集进行预测期间，我
浏览 14提问于2021-01-08得票数 0
2回答
在Keras中使用未标记的数据集
、、、、
通常，当使用Keras时，用于训练神经网络的数据集被标记。
例如，如果我有100,000行患者，每行12个字段，那么最后一个字段将指示该患者是否患有糖尿病或无糖尿病(0或1)。然后在训练结束后，我可以插入一个新的记录，并预测这个人是否患有糖尿病。
但是，在无标签数据集中，由于某些原因，我无法对数据进行标记，如何训练神经网络让他知道这些都是正常记录，而任何与此网络不匹配的新记录都将是恶意的或不被接受的？
浏览 0提问于2017-04-27得票数 1
回答已采纳
我正在解决一个问题，其中我有两个图像数据集。
一个是干净的图像数据集，另一个是相同的数据集，但其中混合了噪声。
1)是否有可能在干净的数据上训练一个模型(以便它学习干净图像的特征)，然后，当传递一个噪声图像时，它输出没有噪声的图像数据(检测噪声，去除噪声，并输出干净的图像数据)？
2) GAN在这种情况下是否有用(如果是，如何使用？)
浏览 0提问于2019-05-12得票数 0
1回答
自动编码器的实现
、、、
我试图用我自己的Java实现一个自动编码器。从理论上讲，我知道自动编码器基本上是一个对称网络.
所以，如果我选择总共有5个层，那么我必须在训练阶段(反向传播)阶段使用9个层，还是足够使用5个层？
我一直在阅读理论，但它们太抽象，而且充满了数学公式，我无法通过谷歌获得任何实现细节。
通常的做法是什么？
一个自动编码器，在训练阶段，使用反向传播，试图获得与输入类似的输出，目的是最小化错误。如上文所示。训练后，上述图像中的层数为7层，而实际层数为4层。所以，在培训的同时，我可以仅用4实现back-propagation吗？如果是的话，我怎样才能做到呢？
浏览 6提问于2013-12-28得票数 4
2回答
我目前的项目是对物体在各种成像过程中的模糊/卷积效果进行建模。现在，我要从一个初步的，人工的模型开始。我正在使用Keras来完成这一任务。
在128 x 128的图像中，我以随机位置上的一组圆圈来创建人工理想数据。然后，我有一个例程，它以这些圆圈的坐标和大小作为输入，并在相同的位置用椭圆替换圆圈。
我试图训练一个卷积神经网络来执行这个函数的逆函数，即用椭圆作为输入读取图像，然后用圆圈代替它们。我通过将这两种图像类型与以椭圆作为输入的图像和以圆圈作为输出的图像组合来创建训练对。
我如何设计一个神经网络来实现这一点？现在，我用的那个只是返回椭圆图像的扭曲拷贝，而不是用圆圈输出图像。
我使用了多种不
浏览 0提问于2019-07-09得票数 1
我读了很多文章，人们都说BERT对NLU有好处，而GPT对NLG有好处。但它们在结构上的关键区别在于是否在自我注意中添加了掩膜，并以不同的方式训练了模型。
从下面的代码中，如果我理解正确的话，我们可以自由选择是否添加注意掩码。
那么我能否得出这样的结论：“BERT的预训练参数对NLU有好处”，“GPT2的预训练参数对NLG有好处”？或者，这两者之间还有什么其他关键的区别，使人们得出我在开始时提到的结论？
浏览 8提问于2021-03-29得票数 0
1回答
我计划使用自动编码器进行特征提取，然后使用潜在向量进行聚类。
我的自动编码器在我的训练集上表现很好(丢失的小图像和重建的图像看起来与输入非常相似)，但是在验证集上表现出更低的性能。
不使用验证集而只使用培训集是个好主意吗？既然我能达到很好的性能，提取的向量应该是“好的”特征。
如果我使用新的数据，我将需要重新训练模型，但我应该始终能够达到良好的性能，因为新的数据将非常类似于当前的数据
浏览 0提问于2019-07-04得票数 0
我试图理解限制Boltzmann机器(RBM)和前馈神经网络(NN)之间的区别。我知道，RBM是一个生成模型，它的思想是重建输入，而NN是一个判别模型，其中的思想是预测标签。但是我不清楚的是，为什么你不能仅仅用神经网络来建立一个生成模型呢？特别是，我想到的是深层信仰网络和多层感知器。
假设我对NN的输入是一组名为x的注释，而我的输出是一组节点y。在一个判别模型中，我在训练过程中的损失将是y与我希望x产生的y值之间的差额(例如，类标签的基本真理概率)。但是，如果我刚刚使输出具有与输入相同的节点数，然后将损失设置为x和y之间的差呢？这样，网络将学会重建输入，就像在RBM中一样。
因此，考虑到神经网
浏览 11提问于2015-08-07得票数 16
2回答
我正在处理一个训练数据集的分类问题，它有100个特性。所有的特征成对没有明显的相关性。您可以在示例对图中看到以下一些特性：
📷
我正试图找到减少功能数量的正确方法。所有重要的特征选择方法都会返回不同的特征集。例如：
火星只返回了五个重要的特征，但是，
与阈值的相关性>1%，选取其中20例。
Lasso选择近20个特征，但所选特征与特征集不同，由相关方法返回。
RandomForest选择了与以前方法不同的近25个特性。
返回的特征集中的特征等级不同。
PCA方法不适用，因为不存在明显的线性相关特征。
等。
我的观点是，不同的工具返回不同的重要特性。一个人可以把他们结合在一起，一个人可以把
浏览 0提问于2019-09-04得票数 9
1回答
自动编码器分析检测
、、、
我最近了解到使用自动编码器(特别是去噪自动编码器)进行的anamoly检测，.To训练自动编码器，我们需要有某种模式的数据吗？或者有什么方法来训练异常数据，以及如何确定这些数据是否适合于自动编码模型的训练。
浏览 0提问于2020-01-20得票数 1
回答已采纳
1回答
我用Python上的Keras来训练CNN自动编码器。在fit()方法中，我必须提供validation_split或validation_data。首先，我想使用80%的数据作为培训数据，20%作为验证数据(随机分割)。一旦我找到了最好的参数，我想训练自动编码器的所有数据，即不再使用验证集。
是否可以不使用验证集来训练Keras模型，即使用所有的数据来训练？
此外，我的图像中的像素都在0，-0.04之间。是否仍然建议将训练和验证集中所有像素的值标准化为0、1或-1或标准化(零均值，单位方差)？如果是，采用哪种方法比较好？顺便说一下，我的图像实际上是二维热图(一个彩色通道)。
浏览 2提问于2019-07-17得票数 0
回答已采纳
所以我正在训练一个叠加的去噪AutoEncoder，每个AutoEncoder有3层。我的目标是通过使用叠加去噪的自动编码器对图像进行分类。
用于创建图像段的方法：
将整个图像分割成8x8块
将块大小调整为1x64
随机选择块(例如:国防部7或什么)并插入到TrainingMatrix中
训练自动编码器的步骤：
TrainingMatrix尺寸：
3层系统: 64 -> 32 -> 64
用高斯噪声破坏每个训练样本
用输入训练神经网络:损坏的输入，输出:未损坏的数据&然后是BACKPROP
对于下一个DAE，我是否使用来自最后一层
浏览 1提问于2013-12-10得票数 1
回答已采纳
1回答
我是机器学习的新手，我正在尝试建立一个对象检测神经网络。 我有3000张图片，但只有150张贴上了标签。我的图像由web ui页面组成，我在这些页面上标记按钮和徽标。 目前，我已经尝试使用faster_rcnn_inception_resnet_v2_coco模型来训练它，但结果不是很好。这些特性已经找到了，但并不完美。 ? 有没有改进结果的方法？也许和另一个模特一起？ 如果我使用自动编码器对所有3000张图像进行无监督训练，然后使用转移学习到具有标记数据的深度学习模型中，我会得到更好的结果吗？如果是这样，我如何使用python和tensorflow来实现它？ 谢谢
浏览 35提问于2019-09-25得票数 0
我正在尝试将keras自动编码器示例调整为我的数据。我有以下网络：
Xtrain = np.reshape(Xtrain, (len(Xtrain), 28, 28, 2))
Xtest = np.reshape(Xtest, (len(Xtest), 28, 28, 2))
input_signal = Input(shape=(28, 28, 2))
x = Conv2D(16, (3, 3), activation='relu', padding='same')(input_signal)
x = MaxPooling2D((2, 2), padding
浏览 2提问于2018-01-06得票数 2
1回答
我看了一下泽勒·的论文，以及他在youtube上演讲的一些视频，当时我正试图用tensorflow复制这篇文章，我偶然发现了一种叫做自动编码器的东西，它的程序看起来(无论是对还是外部的)都很相似，比如：
在泽勒的论文中：
转换输入。
把它传过去。
执行池操作。
..。对所有层进行冲洗和重复，完成后，将过程反转回像素空间，
在自动编码器中：
将其与我在github 上看到的自动编码器进行比较，可以这样做：
转换输入，
把它传过去
执行池
...rinse和重复其他层，并做反向的像素空间。
因此，要对conv网使用tensorflow所做的工作进行可
浏览 5提问于2016-05-26得票数 0
我是深度学习领域的新手，我想问一下使用自动编码器进行异常检测的未标记数据集。我令人困惑的部分从以下几个问题开始： 1)一些帖子说从原始数据集中分离出异常和非异常(假设被标记)，并用唯一的非异常数据集训练AE (通常非异常的数量将更占主导地位)。因此，问题是，如果我的数据集是未标记的，我将如何分离它？ 2)如果我使用原始的未标记数据集进行训练，如何检测异常数据？
浏览 16提问于2019-06-14得票数 1
我的数据包含一个标量特性r，我发现这个特性对于训练我的深层模型很重要。我的想法是假设有一个3层的MLP f(x), x \in \mathbb{R}^{n}，其中n=1.它输出一个维数m的向量，其中[0, 1]中的每个值。
对于我的数据，它输入r并输出一个m大小的向量.
所以这就是我分解的想法有意义吗？
浏览 0提问于2019-12-22得票数 0
回答已采纳
自动编码器通过将每个训练实例复制到输入和输出来进行训练。然而，在异常检测的预测中，输出误差是否是与异常输入相同的输出特征(S)的局部误差，例如，如果我有10个特征，用特征#4的异常输入来预测，高输出误差也会局限于输出特征#4，还是会在其他输出中出现较大的误差？如果定位到特定的特征，整个检测就会变得更加有用。
浏览 0提问于2018-11-20得票数 1
回答已采纳
2回答
我想知道是否有人对许多类(大约400个)的图像分类有什么更好的指导，每个类有少量的样本(大约20个)，对于相对较大的RGB图像(大约600x600)，有什么更好的指导。
我知道自动编码器可以用于特征提取，这样我就可以让一个自动编码器在没有监督的图像上运行，从而降低图像的维数来训练那些下采样的图像。
类似地，我还知道，您只需使用预先培训过的网络，剥离最后一层，并将其转换为一个线性层，使其成为您自己的数据集的类数，然后对最后一层或几层进行训练，使其适合您的数据集。
我还没有在网上找到任何资源来确定这两种特征提取技术中哪一种更好，以及在哪种条件下；有人有什么建议吗？
浏览 0提问于2022-08-30得票数 0
2回答
实际上，我正在使用双重摄影重建一些图像。接下来，我想训练一个网络，通过去除噪声(去噪自动编码器)来重建清晰的图像。 用于训练网络的输入是重建图像，而输出是地面实况或基于计算机的标准测试图像。现在的输入，例如，Lena是Lena的一些不精确的版本，图像在位置和一些伪像上移动。 如果我保持输入作为我的重建图像和训练输出作为Lena测试图像(计算机标准测试图像)，它可以工作吗？我只想知道输入/输出移位或其中一个(由于某些裁剪)缺少一些细节是否会起作用。
浏览 28提问于2019-10-08得票数 1
2回答
注意力对自动编码器有意义吗？
、、、、
在自动编码器的背景下，我在努力思考注意力的概念。我相信我理解注意seq2seq翻译的用法--经过训练后，我们可以同时使用编码器和解码器来创建语言翻译(例如)。由于我们在生产中还在使用译码器，所以我们可以利用注意机制。
但是，如果自动编码器的主要目标是生成输入向量的潜在压缩表示，该怎么办？我说的是一些情况，在培训之后，我们基本上可以处理模型的解码器部分。
例如，如果我在没有注意的情况下使用LSTM，那么“经典”方法就是使用最后一个隐藏状态作为上下文向量--它应该表示输入序列的主要特性。如果我要注意地使用LSTM，我的潜在表示必须是每个时间步长的所有隐藏状态。这似乎不符合输入压缩和保留主要特性的概
浏览 6提问于2019-09-28得票数 17
2回答
我正在训练一个身体生成网络，即给定一些特定的度量，(5个特征)输出将是一组代表身体的观测值的顶点。我想知道什么样的机器学习算法最适合这个场景。
浏览 0提问于2018-11-27得票数 2
1回答
图片如下：
我有12000张假图像，这是我根据没有标签的图像上的亮点生成的。我有1200个真实的图像，有注释和真正的标签。我希望输出被标记为生成的图像。我想知道我该怎么做。
我希望我的变分自动编码器生成真实的图像或接近真实的标签。我想到了两个选项:第一个选项是使用假图像，训练12000张图像，并使用1200个真实图像进行测试，因为从示例中可以看到，其中一些是匹配的。第二种选择是对12000样本进行降采样，用未标记和标记的样本进行半调理训练。
浏览 5提问于2022-11-15得票数 -2
回答已采纳
1回答
我正在处理一个大型数据集(大约50K观测x11K特性)，我想降低维度。这最终将用于多类分类，因此我想提取有助于分离数据的特性。到目前为止，我已经尝试过PCA (线性支持向量机的总体精度约为70%)、LDA (训练精度很高约为96%，但测试精度约为61%)和自动编码器(分别为13000 - 1000 -136个单元的3层密集编码器，其性能与PCA基本相同)。我被要求尝试一个深度信念网络(一堆受限的Boltzmann机器)来解决这个问题。
到目前为止，我预见到两个挑战。首先，我可以访问可以使用的GPU，但我没有看到来自神经网络社区主要参与者(例如TensorFlow/Keras，PyTorch)的
浏览 0提问于2020-08-18得票数 2
回答已采纳
我想创造一个深刻的假模型的一个特定的人(我们会叫他史蒂夫)。然后，我想能够上传任何随机的人的视频，并交换他们的脸与史蒂夫的。
到目前为止，我已经看到大多数深层次的假系统需要A和B人的数据集，是否有一种方法只训练B人，并有一个A的通用版本，以便我可以允许任何人作为输入？
浏览 0提问于2019-11-27得票数 0
1回答
下面是Datacamp关于使用卷积自动编码器进行分类here的教程。我在教程中了解到，我们只需要将自动编码器的头部(即编码器部分)堆叠到一个完全连接的层上即可进行分类。 在堆叠之后，得到的网络(卷积自动编码器)被训练两次。第一种方法是将编码器的权重设置为false，如下所示： for layer in full_model.layers[0:19]:
layer.trainable = False 然后重新设置为true，并重新训练网络： for layer in full_model.layers[0:19]:
layer.trainable = True 我不明白为什么我
浏览 27提问于2020-08-21得票数 1
回答已采纳
我正在使用CNN自动编码器来创建一个状态表示层，稍后我将被输入到我的增强代理中。所以我训练了我的CNN自动编码器，它给出了很好的状态表示。但我有以下问题
我的自动编码器层可以安装吗？
如果有一个过度适合，它会不会导致红宝石信息在我的瓶颈层？
浏览 0提问于2018-09-19得票数 7
回答已采纳
2回答
我的理解是，训练一个模型是在机器学习中使用训练数据，以便当新的数据提供给它时，该模型可以预测值。
数据挖掘是在现有数据集中查找模式的过程。那么，“列车模型”在数据挖掘中的作用到底是什么呢？
浏览 0提问于2020-09-09得票数 2
我正在做我的基于医疗保健的项目。我将训练我的自动编码器与症状和疾病，即我的输入是在文本形式。这样行得通吗？(我正在使用Rstudio).Please有人能帮我吗？
浏览 0提问于2015-11-19得票数 9
1回答
当我训练我的自动编码器时，无论我训练多少，损失都不会改变。
#Importing training data
inp = open('train.csv',"rb")
X = pickle.load(inp)
X = X/255.0
X = np.array(X)
X = np.reshape(X,(-1,25425))
input_img =tf.keras.layers.Input(25425,)
encoded1 = tf.keras.layers.Dense(75,activation=tf.nn.relu)(input_img)
encoded2
浏览 0提问于2019-08-25得票数 1
我想，如果我们可以用自动编码器编辑一个现有的图像，而不是说，创建一个新的从零开始。
举个例子，假设我在MNIST数据集上训练我的数据。如果我现在给我的模型一个9并要求它转换成一个8，它能改变像素来创建8吗？
如果是的话，你能告诉我做这件事的一些资源吗？
浏览 0提问于2021-12-13得票数 1
1回答
用自动编码器实现对文本相似度
、、、、
我有一个只有500个样本的数据集。数据集有三列
Sentence1 Sentence2 0或1(表示相似性)。
我的任务是训练一个编码器，它以两个句子作为输入，如果句子相似，返回1，否则返回0。
我使用预先训练过的word2vec嵌入来提取特征。我的模型只有50%的准确度。
sent_in = Input(shape=(150, ))
sent_emb = Embedding(input_dim=vocab_size, output_dim=300, weights=[E],)(sent_in)
conv1 = Conv1D(32, 5, activation='relu',
浏览 0提问于2020-02-21得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
