Unsupervised Learning-Auto Encoder

最新推荐文章于 2023-03-20 17:00:26 发布
最新推荐文章于 2023-03-20 17:00:26 发布
阅读量244 收藏 1
点赞数
分类专栏： AdvancesInMachineLearning
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CsWarmSun/article/details/106225413
版权

 

目录

 

- 1. 引言

- 2. 基本架构

- 3. 应用

    - 3.1 作为一种降维的方法

    - 3.2 消除噪声

    - 3.3 Text Retrieval

    - 3.4 Similar Image Search

    - 3.5 Auto Encoder for CNN

        - 3.5.1 Unpooling

        - 3.5.2 Deconvolution

        - 3.5.3 Pre-training DNN

    - 3.6 使用decoder生成样本？

概述

终于了解是auto-encoder技术，三位巨佬的说法，unsupervised learning 才是AI的未来，因为你不能总是要求太多标签数据，这一直一直是一共难题。

  • 基本架构
  • 应用
    • 作为降维方法，非常好的非线性降维手段之一
    • 消除噪声，随机添加噪声重构原图
    • 文本搜索图片搜索
    • cnn中auto encoder的做法
    • 使用decoder生成样本。

1. 引言

这是两位祖师爷的话，这个领域确实有意思。

2. 基本架构

最低0.47元/天 解锁文章
KDLin
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
使用autoencoder技术提取特征并降维
weixin_47178719的博客
01-02 2440
考虑到在针对股票市场的预测模型中的变量过多/维数过高问题，我们需要降维。这里我们使用autoencoder技术（AE） 首先本文使用调用tushare库提取股票历史数据。 pip install tushare #获取使用接口 def get_token(): ts.set_token("xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx") pro=ts.pro_api() return pro ##获取数据列表 def get_data_
自编码器（Autoencoder）在无监督学习和降维中的应用
最新发布
网络技术联盟站
07-13 1230
自编码器（Autoencoder）是一种无监督学习算法，广泛应用于数据的表示学习和降维。自编码器通过将输入数据压缩为低维编码，然后再将其重新构建为与原始数据尽可能相似的输出。本文将详细探讨自编码器在无监督学习和降维中的应用。
李宏毅老师课程：Unsupervised Learning：Auto-encoder
APythonC的博客
09-10 418
无监督学习：自动编码器IntroductionRecap: PCADeep Auto-encoderStructurePCA vs Deep Auto-encoderText Retrieval（文字检索）Similar Image SearchPre-training DNNDe-noising auto-encoder（去噪自动编码器）Auto-encoder for CNNCNN - UnpoolingDeconvolution Introduction Auto-encoder本质上就是一个自我压缩
关于自动编码器在数据降维中的应用
ZZX0804的博客
03-20 1106
自动编码器——一个复杂的三层神经网络，之前被称为自动关联，构建了深度学习的“构建块”，已被证明在各个领域都能实现良好的性能。本文试图研究自动编码器的降维能力，看看它是否具有某种良好的属性，在堆叠时可能会积累起来，从而有助于深度学习的成功。
如何利用深度学习中的AutoEncoder进行特征降维和特征可视化，pytorch代码
《人工智能原理与实践》作者
12-20 1810
我们将使用 Pytorch 中的 AutoEncoder(自动编码器架构)来减少特征维度和可视化。首先，要安装 PyTorch，您可以使用以下 pip 命令，包含可在 PyTorch 中使用的图像数据集。
机器学习 -- Unsupervised Learning: Deep Auto-encoder
01-30
Unsupervised Learning: Deep Auto-encoder Auto-encoder Deep Auto-encoder Auto-encoder – Text Retrieval Auto-encoder – Similar Image Search Auto-encoder for CNN CNN -Unpooling CNN - Deconvolution
Unsupervised learning- deformable registration l chest.pdf
12-15
非监督学习图像形变配准
unsupervised-learning-neural-network.rar_unsupervised
07-14
Water inrush identification of mine based on unsupervised learning neural network
Unsupervised Part-based Weighting Aggregation
12-10
Unsupervised Part-based Weighting Aggregation of Deep Convolutional Features for Image Retrieval.pdf
Asymmetric Co-Teaching for Unsupervised Cross-Domain
10-19
Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification Asymmetric Co-Teaching for Unsupervised Cross-Domain Person Re-Identification 是一种旨在解决跨域人体重识别问题的方法。...
采用深度稀疏自动编码器实现高维矩阵降维，提取特征
03-05
将节点相似度矩阵，作为深度稀疏自动编码器的输入，并通过不断迭代，作为输出低维特征矩阵。（matlab编写）
降维系列之 AutoEncoder 自动编码器
01-07
AutoEncoder简单很多，简写一下。主要分两个部分，Encoder和Decoder，Encoder是降维的过程，Decoder是将降维的结果升维，AutoEncoder希望升维的结果与原始数据尽可能一致，二者共同构成一个前馈的网络，训练完后的中间结果就是降维结果。Encoder和Decoder的构成可以是线性的，也可以是非线性的，可以自由设计。 看代码更明白一些： class AutoEncoder(nn.Module): def __init__(self): super(AutoEncoder, self).__init__() # 降维 self.encoder = nn
基于自编码网络AutoEncoder完成数据降维并且提取数据的本质特征
huanfeng_AI的博客
04-08 5899
什么是数据的降维？ 一维数据我们可以认为它是一个点，二维数据是一条线，三维数据是一个面，但四维数据我们就想象不到了，但这并不意味着不存在。对于深度学习的数据来说，数据的维度往往远远大于四维，四维我们都想象不到，那么远超四维的数据我们就更加难以预料了，为了解决这个问题，我们可以使用机器学习中的数据降维技术，简单的来说就是将高维的数据降低到两维或者三维，也就是人类可以想象到的数据表示形式，这样我们就可以看到这些数据的本质特征了，这样大大降低了计算的复杂程度,减少了冗余信息所造成的识别误差,提高了识别的精度，我们
Auto-encoder 自编码器详解（unsupervised learning）
以往不可谏，来自犹可追
01-29 797
此篇博客是李宏毅老师的深度学习课程的笔记 网课地址：https://www.bilibili.com/video/av48285039?p=75 Auto-encoder input：可能就是一张图片，图片可以变成一个向量。 encoder：可能就是一个neural network output: 是一个比输入向量维度低的向量，也即为code，更为精简的，压缩的（compact）表示图片的方...
AutoEncoder模型之数据降维
ccamelliatree的博客
06-06 3564
AutoEncoder 基本模型 编码+解码，最小化重构误差。使用中间隐层作为样本的抽象表示。 缺点：容易过拟合。
tensorflow MNIST autoencoder完整代码+tsne降维可视化
小哈的博客
05-25 3020
#来源于莫烦tensorflow视频中学习# -*- coding: utf-8 -*-"""autoencoder mnist can runningautoencoder自定义实现，未直接调用函数，显示autoencoder结果与原来真实输入数据的对比图"""#特色：可视化 通过encoder最后一层神经元数目为2，将数据降维到2维，进行画点plt.scatter可视化#划分的不咋开#impo...
几种AutoEncoder原理
热门推荐
leida_wt的博客
01-15 3万+
AutoEncoder属于无监督学习的技术，其思想影响深远。 1.经典 AutoEncoder 简单采用背靠背的全连接层，形成一个瓶颈neck就为经典AutoEncoder的架构核心，层数一般不多，以1或2层隐含层为主。其是与PCA做了相似的事情。 Hinton提出也可Deep起来 Ref:Reducing the Dimensionality of Data with Neural Netwo...
Unsupervised Learning-More Auto-Encoder
KDLin‘s Blog
05-19 158
目录 - - 1. 更好的Auto-Encoder架构 - 1.1 Add Discriminator - 1.2 经典架构的Genenal 形式 - 2. Text- Skip thought & Quick thought - 2.1 Skip thought和Quick thought - 3. Feature Disentangle - 3.1 Adversarial ...
ROC-AUC 浅谈理解ROC曲线和AUC值
KDLin‘s Blog
05-28 2486
这是一个评价二分类器的指标，特点是不受不平衡数据集的影响。但事实理解起来有点难。下面先介绍ROC-AOC是什么，然后再谈谈我的一种理解。ps，理解这个指标，首先得对经典的F1, Recall，Precision的比较熟悉，否则看了会一头雾水，如果你不熟这几个指标的计算，建议先阅读。 ROC曲线 receiver operating characteristic curve（名称似乎无法直观理解它本身，所以忽略），它是一条关于TPR和FPR的曲线，其中TPR，true positive rate，标签为正
Feature Representation Learning for Unsupervised Cross-domain Image Retrieval
05-11
Feature representation learning for unsupervised cross-domain image retrieval refers to the process of extracting meaningful features from images in one domain (e.g., paintings) and using those features to retrieve similar images in another domain (e.g., photographs). This is typically done in an unsupervised manner, meaning that no explicit labels or annotations are provided to guide the learning process. One common approach to unsupervised feature representation learning is to use deep neural networks, such as convolutional neural networks (CNNs), to extract high-level features from images. These features can then be used to train a retrieval model that maps images from one domain to the other based on their similarity in feature space. There are several challenges to unsupervised cross-domain image retrieval, including differences in image content, style, and quality between domains. To address these challenges, researchers have developed a variety of techniques, such as domain adaptation, data augmentation, and adversarial training, to improve the performance of feature representation learning for cross-domain image retrieval. Overall, feature representation learning for unsupervised cross-domain image retrieval is an important area of research with many potential applications, including art history, fashion, and product recommendation.

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值