有没有办法将其转换为训练卷积自动编码器？
是的，可以将问答内容转换为训练卷积自动编码器。卷积自动编码器是一种深度学习模型，可以用于特征提取和数据压缩。它由编码器和解码器两部分组成，其中编码器将输入数据压缩为低维表示，解码器将低维表示重构为原始数据。
在将问答内容转换为训练卷积自动编码器的过程中，可以将问题和答案作为输入数据。首先，将问题和答案进行编码，可以使用词嵌入技术将文本转换为向量表示。然后，将编码后的问题和答案作为输入，通过卷积层和池化层进行特征提取。接下来，将特征表示传递给解码器，解码器通过反卷积层将特征重构为原始的问题和答案。
训练卷积自动编码器的目标是最小化重构误差，即使得解码器的输出尽可能接近原始的问题和答案。可以使用反向传播算法进行训练，通过调整网络参数来优化模型。
训练好的卷积自动编码器可以用于问答系统、文本生成等任务。在实际应用中，可以使用腾讯云的深度学习平台AI Lab提供的GPU实例进行训练加速。腾讯云还提供了丰富的人工智能相关产品，如腾讯云机器学习平台、腾讯云自然语言处理等，可以帮助开发者更便捷地构建和部署深度学习模型。
更多关于卷积自动编码器的信息和腾讯云相关产品介绍，可以参考以下链接：
相关·内容
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
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
1回答
用相同图像训练自动编码器
、、、
我正在训练自动编码器与2000年相同的图像。我的期望是，如果自动编码器有足够的容量，在一定的训练时间后，损失将接近0，精度将接近1。相反，我看到损失= 0.07和accuracy=0.76的快速收敛。减少卷积层数有一定的改善作用。减少每层籽粒的数量增加了损失。在那之后没有任何改善。我的期望错了吗？或者我的自动编码器架构有什么问题吗？怎样做才能使一个几乎无损的自动编码器？
input_img = Input(shape=(image_size_x, image_size_y, 1))
x = Conv2D(32, (3, 3), activation='relu', paddin
浏览 4提问于2020-03-23得票数 2
回答已采纳
3回答
我正在使用autoencodeur对图像进行特征提取。我的图像是位图=>像素值=0或1
我使用以下代码：
X_train_autoencodeur = X_train.reshape(-1, 96*96)
X_valid_autoencodeur=X_valid.reshape(-1,96*96)
input_img = Input(shape=(96*96,))
encoded = Dense(1024, activation='relu')(input_img)
encoded = Dense(512, activation='relu')(enco
浏览 26提问于2019-07-16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
让我们考虑一些二维信号(振幅随时间的变化)。
我有一个具有特定“形状”的片段库。为了这个例子，让我们假设一个方波，一个三角形波和一个锯齿波，但在实际中，它们要复杂得多。
我有一个复杂的信号，比如录音。
什么是训练系统识别复杂信号中的元素的最佳方法，同时知道：
库形状可能以不同的频率出现。
库形状可能以不同的幅度出现。
多个形状可以重叠。
到处都是噪音。
我想恢复的是：
哪个形状被识别了。
它离参考信号有多近。
该形状在复杂信号(位置、频率、幅度范围)中的位置。
额外的问题:由于我正在寻找形状本身，它可能会随着时间延长，以非线性的方式。
我快速地画
浏览 0提问于2018-08-22得票数 0
1回答
我想设计一个深层网络，上面有一个(或多个)卷积层(CNN)和一个或多个完全连接的隐藏层。
对于具有完全连接层的深度网络，在theano中有用于无监督预训练的方法，例如，使用或。
我的问题是:我如何(在theano中)实现卷积层的无监督预训练阶段？
我不期望一个完整的实现作为答案，但我希望链接到一个好的教程或可靠的参考。
浏览 1提问于2014-07-15得票数 37
回答已采纳
1回答
我正在尝试使用编码器集群一个数据集，因为我是这个领域的新手，我不知道如何做it.My主要问题是如何定义损失函数，因为数据集是未标记的，据我所知，我已经从书目中看到了他们定义为损失函数的内容期望的输出和预测的output.My之间的距离问题是，我没有期望的输出，我应该如何实现这一点？
浏览 1提问于2017-10-24得票数 0
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
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
1回答
我想使用堆叠的自动编码器来降低数据集的维度。数据集的大小和我所掌握的计算能力使得使用简单的、全批渐变下降来训练网络变得非常困难。
对于这类任务，使用最小批处理梯度下降是否有意义？我想那会产生一个噪音降维数？
浏览 0提问于2019-07-01得票数 0
2回答
我在想，下面的策略是否已经被使用过，是否可行？
假设你有一个CNN，它能很好地分类图像数据，狗和猫。你只有猫和狗的图像作为训练数据。有没有办法用它来检测马的异常图像？
例如，在一个基于规则的系统中，我们可以说
if P(cat) and P(dog) ~0.5 then it's an anomaly
另一种方法是取特征向量，最后取完全连通层，比较向量与其他向量有很大的不同，可将其视为异常。
你有相关的文件吗？这是个完全愚蠢的主意吗？
浏览 0提问于2019-08-07得票数 0
我正试着生产大型车型。如果我想要的输出是120x100图像，那么在它之前是否需要一个120*100=12,000神经元密集层？
...
model.add(Dense(120*100))) #<--- mandatory?
model.add(Reshape((120, 100)))
return model
如果我这样做的话，5GB+就会看到型号大小。
浏览 0提问于2021-07-29得票数 0
回答已采纳
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
我想训练一个CNN，用Keras从100x100x1图像中预测224x224x13矩阵(热图)。我的想法是完善keras提供的经过预先培训的网络(resnet、Xception、vgg16等)。
第一步是用预先训练过的顶层来代替那些满足我的问题约束的层。我试图预测值从0到1的100x100x1热图图像，因此我希望我的网络输出是一个100x100x1矩阵。我相信，如果我使用Flatten，然后使用Dense层的1000x1x1，我将失去空间信息，我不想(对吗？)
我希望我的代码是灵活的，能够独立运行，使用的是经过预先训练的体系结构(我需要运行许多实验)。因此，我想堆叠一个Dense层，它连接到它
浏览 0提问于2017-06-09得票数 4
回答已采纳
1回答
我正在尝试训练一个去噪的自动编码器，以两条简单的线组成的图像作为输入进行去噪。然而，即使使用像这样的简单图像，它也不能输出良好的输出。更神秘的是，当输入单个线性图像数据作为输入时，它完全消除了噪声。
我使用了使用leakyReLU函数的通用卷积自动编码器结构，代码如下所示。
即使我增加作为输入的训练数据的数量或增加训练周期，结果也总是相同的。
任何关于如何提高去噪自动编码器性能的建议都将不胜感激。谢谢。
卷积自动编码器代码：
from tensorflow.keras.layers import BatchNormalization
from tensorflow.keras.
浏览 2提问于2021-06-03得票数 0
1回答
改进卷积式自动编码器
、、、、
我刚刚建立了一个卷积自动编码器，试图重建一个形状(4000, 10, 30)的时间序列。这是代码，我使用了32的批处理大小，但我认为它过于适合，因为它在训练集上表现很好，但在验证和测试集中却没有很好地开始重构。我能做些什么来改善它呢？如何为每个层定义正确数量的过滤器？
kernel_size = 7
stride = 1
model = Sequential()
model.add(Conv1D(filters=128, kernel_size=kernel_size, activation='relu', padding="same", strides=str
浏览 0提问于2021-04-02得票数 2
回答已采纳
1回答
具有动态输入形状的CNN
、、、、
大家好！
由于我试图制作一个完全卷积的神经网络，将灰度图像转换为rgb图像，我想知道是否可以在不同大小的图像(不同的像素和比率)上训练和测试模型。通常情况下，你只会降低样本或高样本，这是我不想做的。我听说，如果我使用完全卷积神经网络，这是可能的，但我仍然不知道代码会是什么样子。你能帮我弄点密码吗？
，为什么这是个问题？
就像我说的，输入的图像不应该被降采样，因为我没有分类任何东西。我想要生成一个与输入图像大小相同的新图像。所以不应该有任何损失。
固定输入形状的代码：
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3),
浏览 0提问于2019-04-19得票数 1
回答已采纳
1回答
我有灰度图像，我在x_train和x_test中得到了它们的像素阵列。
x_train大小为(2500，21,512)，x_test大小为(500，21,512)。我想做一个CNN，以获得输出y_train以及(2500,21,512)和y_test as (500,21,512)，但这是我希望网络预测的其他图像的数组。
在MNIST中，他们这样做，但通过将y_train和y_test作为值的向量，然后将输出作为(3000，1)。如果不是为了我的图像，我怎么做同样的事情呢？
浏览 0提问于2021-05-11得票数 0
1回答
我试着理解TensorFlow的输出层有什么可能。具体来说，输出总是平面数组吗？
由于神经元(或单位，在TF中)只有一个数字，而且只有一组输出，似乎输出必须有一个维度。只有一个热门概率，这是很容易理解的。但是一张照片呢？
如果我的输出是一幅图片，那么TF是否可以输出一个多维像素数组，例如[R0，G0，b0，R1，G1，b1，.]？如果是的话，该网络将如何构建？如何定义输出层的维度/形状？
我所知道的唯一定义输出形状的参数是来自tf.layers.dense的，它看起来本质上是一维的：
单位(数)正整数，输出空间的维数。
任何你能提供的帮助都是非常感谢的！
参考资料：https://js.
浏览 0提问于2020-11-21得票数 2
回答已采纳
我正在尝试训练一个图像重建网络，我会像这样训练： vae.fit(X_train, X_train, epochs=10, batch_size=1) 其中X_train是训练图像的NumPy数组。 但是，我想使用生成器，因为否则，我会耗尽内存。我尝试使用flow_from_dataframe，在那里我存储了图像的所有文件路径(它们位于多个文件夹中)。 train_generator=datagen.flow_from_dataframe(
dataframe=df,
浏览 27提问于2021-09-30得票数 2
我想了解路德维希是如何编码图像的。它是通过预先训练过的模型运行图像而不损失，还是运行丢失？如果是这样的话，对于一个大型的功能集，会运行哪种类型的损失？
浏览 3提问于2019-11-05得票数 0
回答已采纳
2回答
什么是优先上采样还是零填充？
、、、、
在训练CNN时，一种选择是对图像进行零点处理，使其更大，或者将其放大。我应该什么时候选择每一个？
选择方法的标准是什么？
浏览 0提问于2017-03-16得票数 1
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
1回答
从输入图像到输出图像存在映射。假设输入图像是一张纸，中间有一个方形的孔，输出图像是当光线照射在纸上时输入图像的阴影，它看起来也像一个正方形，但有一些模糊和大小不同。(实际的模式要比这个正方形的洞复杂得多)我正在尝试实现一个神经网络，它可以学习这种映射，当给定输入图像时，网络可以预测输入图像的“阴影”。我尝试使用一个卷积的自动编码器结构(如这个https://blog.keras.io/building-autoencoders-in-keras.html)，将目标图像从输入图像替换为self到输出图像训练集。但看起来不太好用。我想知道什么样的神经网络适合这个任务？什么样的损失函数是合适的？
浏览 0提问于2018-04-23得票数 2
2回答
卷积层是否有一个精确的逆
、、、、
...and如果是在什么情况下？
卷积层通常产生较小尺寸的输出。是否有可能通过翻转/转置使用的内核并提供填充或类似的方式来逆转这样的操作？
只是看看这里的卷积层的操作-没有池层，级联，非线性激活函数等。
我不寻找任何几个可训练版本的反向卷积操作。这可以通过输出空间中的$\geq 1$或者输入空间中的内部填充来实现。文森特·杜穆林和弗朗西斯科·维辛在他们的上提供了非常清晰、生动的gifs。深度学习社区在命名这些操作时存在分歧:转置卷积、部分分步卷积和反褶积(后者虽然被广泛使用，但由于没有适当的数学反褶积，所以非常误导人)。
浏览 0提问于2018-01-30得票数 2
回答已采纳
1回答
我正试着用咖啡豆训练CNN。我想做很多数据增强，所以我使用"Python"层作为输入，就像建议的那样。
但是，我从日志中看到，Caffe对我的所有数据都使用了数据类型float32。这太浪费了，因为我只处理8位整数。有没有办法告诉caffe使用dtype='uint8'
我尝试在设置顶部时键入数据：
top[0].data[...] = someArray.astype(np.uint8, copy=False)
但这不管用。
有什么建议吗？
浏览 1提问于2016-05-27得票数 2
回答已采纳
1回答
tl;dr -我使用一个自动编码器试图减少输入维度的强化学习(RL)代理，以学习如何发挥Atari-功夫。但是它在编码/解码抛出的刀时失败了，因为它们只有几个像素，而出错对自动编码器MSE丢失的影响可能可以忽略不计(见图像左下角的绿色箭头)。这可能会永远困扰着结果。我想知道是否有解决这个问题的方法--最好是用一个广义的解决方案，但是我现在很高兴有一些关于这个问题的特定的东西。
背景:我正在致力于“实用强化学习”课程的Week5课程(国家研究大学)，我决定花更多的时间试图扩大阿塔利-功夫分配使用演员-批评家的结构。这篇文章不是关于演员评论家的，而是更多关于我遇到的一个有趣的与自动编码器相关的子
浏览 4提问于2019-12-04得票数 3
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
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
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
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
1回答
我正在开发一个使用MLP的自动编码器来检测多变量时间序列中的异常。为了简化这个问题，我只使用了一个系列变量。
单变量病例
我应用它的方式是将时间序列分解成几个部分，并将这些片段呈现给网络。例如，我的系列由1000个点组成，我将其分成50个长度为20的子系列，每个子系列都成为学习网络的示例。
DAE input_shape应该是什么？我发现如果shape=(20, )和shape=(20,1)是不同的。我把我一直在做的DAE代码放在下面。DAE最后一层的格式应该是怎样的？当我使用只有一个神经元的输出层时，模型工作正常，为什么？
model = keras.Sequential([
浏览 4提问于2021-01-06得票数 0
我想要做的是:我只想在两个类的cifar10数据集上训练一个卷积神经网络。然后，一旦我得到我的拟合模型，我想采取所有的层和再现输入图像。所以我想从网络中得到一个图像，而不是分类。
我到目前为止所做的事：
def copy_freeze_model(model, nlayers = 1):
new_model = Sequential()
for l in model.layers[:nlayers]:
l.trainable = False
new_model.add(l)
return new_model
numClasses = 2
(X_
浏览 2提问于2016-04-24得票数 2
回答已采纳
1回答
通常，如果使用keras进行训练，model.fit希望训练数据的形状为(samples，timesteps，input)，标签为(samples，outputs)。有没有办法将匹配标签更改为(samples*timesteps，output)或(samples，timesteps，input)。那么一个样本匹配len( sample )*标签，而不只是一个标签？
浏览 13提问于2019-07-02得票数 0
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
我正在使用卷积自动编码器。我的自动编码器配置有一个卷积层，具有stride (2,2)或avg-pooling和relu激活，以及一个解卷积层，具有stride (2,2)或avg-unpooling和relu激活。
我用MNIST数据集训练了自动编码器。
当我查看第一个卷积层(20个滤波器，滤波器大小为3)之后的特征图时，我得到了一些黑色的特征图，而学习到的滤波器不是黑色的。如果我更改筛选器的数量或筛选器大小，也会发生同样的情况。
我用TensorFlow和Theano自动编码器得到了这种现象。(我还没有测试其他神经网络软件。)
有人知道为什么会这样吗？
在添加LRN层时，我可以避免黑色特征
浏览 6提问于2017-03-27得票数 0
我正在用以下规范训练拥抱脸xlnet大案例模型：args = TrainingArguments( f"xlnet-large-finetuned", evaluation_strategy = "epoch", save_strategy = "epoch", learning_rate=2e-5, per_device_train_batch_size=1, per_device_eval_batch_size=1, num_train_epochs=3, gradient_accumulation_steps=16, weight_deca
浏览 11提问于2022-07-24得票数 0
1回答
我试图使用卷积自动编码器的潜在空间(嵌入层)，特别是，我想使用嵌入的K最近邻搜索的潜伏空间(类似于word2vec)。
我的输入是3x224x224 (ImageNet)，我找不到任何详细阐述特定架构的文章(例如过滤器的数量、conv层的数量等等)。我尝试了一些任意的架构，比如：
编码器：
Conv(channels=3，filters=16，kernel=3)
Conv(channels=16，filters=32，kernel=3)
Conv(channels=32，filters=64，kernel=3)
解码器：
Deconv(channels=64，filters=32，kernel
浏览 0提问于2019-04-22得票数 4
回答已采纳
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
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
2回答
我有一堆关于员工和他们薪水的数据。
我想建立一个回归模型来预测
所讨论的专栏是国家，employment_status，job_title，教育。
所有这些都是字符串值，如下所示：
data.country.unique():
array(['Slovenia', 'United States', 'Sweden', 'United Kingdom', 'Canada',
'New Zealand'], dtype=object)
data.employment_status.uniq
浏览 0提问于2022-01-08得票数 0
2回答
预训练如何改进神经网络的分类？
、、、、
到目前为止，我读到的许多论文都提到过“预训练网络可以提高反传播错误的计算效率”，并且可以使用RBM或自动编码器来实现。
如果我正确理解了，AutoEncoders是通过学习恒等函数来工作的，如果它的隐藏单位小于输入数据的大小，那么它也会进行压缩，但这与提高向后传播误差信号的计算效率有什么关系呢？是因为预先训练过的隐藏单位的权重与其初始值并没有太大的差异吗？
假设正在阅读的数据科学家已经知道AutoEncoders将输入作为目标值，因为他们正在学习身份函数，这被认为是无监督学习，但这种方法能应用于第一个隐藏层为特征映射的卷积神经网络吗？每个特征映射都是通过将学习到的内核与图像中的接收字段
浏览 5提问于2015-12-29得票数 7
回答已采纳
2回答
我有一个svn转储(但实际的svn网站不再活跃)。有没有办法将这个转储上传到git或github？我看到的教程与使用svn有关，需要访问实际的svn网站。
浏览 3提问于2018-04-11得票数 2
回答已采纳
2回答
我有一个问题，在一个卷积自动编码器过滤器的数目。据我所知，随着网络的深入，convolutional layer中的过滤器数量增加了。一个典型的模式是16, 32, 64, 128, 256, 512 ...
现在，我正在查看Autoencoders，在Keras博客上，我注意到他们的做法正好相反。它们从第一层的16过滤器开始，然后减少过滤器的数量：
https://blog.keras.io/building-autoencoders-in-keras.html
现在，我想知道在使用Autoencoders时，这种情况是否常见，还是取决于网络应该学习什么样的特性？
提前谢谢你，
干杯,
迈克
浏览 0提问于2019-07-03得票数 0
回答已采纳
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
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
我正在尝试使用TensorFlow构建我的第一个自动编码器神经网络。编码器和解码器中各层的尺寸是相同的，只是相反。自动编码器学习将图像数据压缩和重建到一个合理的标准，但我想通过让解码器作为编码器的精确转位来提高它的性能。
我对如何在TensorFlow中做到这一点感到困惑。
下面是构建我的网络的一个片段：
imgW, imgH = 28, 28
encoderDims = [
imgW * imgH,
(imgW // 2) * (imgH // 2),
(imgW // 3) * (imgH // 3),
(imgW // 4) * (imgH // 4)
]
浏览 0提问于2018-07-05得票数 0
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
腾讯会议
实时音视频活动推荐
腾讯云开发者
