AIGC实战——自编码器
0. 前言
自编码器 (Autoencoder
) 是一种无监督学习的神经网络模型,用于学习输入数据的低维表示。它由编码器和解码器两部分组成,通过将输入数据压缩到潜空间表示(编码),然后将其重构为与原始输入尽可能相似的形式(解码)。在本节中,我们将使用 Keras
构建一个标准的自编码器,以理解自编码器的工作原理。
1. 自编码器原理
自编码器的目标是最小化输入与重构输出之间的重构误差,通过这个过程来学习数据中的有用特征。在训练过程中,自编码器首先将输入数据传递给编码器 (Encoder
),编码器将数据映射到低维的潜空间表示(也称嵌入,或编码)。然后,解码器 (Decoder
) 接收编码后的表示,并尝试将其重构为原始输入,以最小化重构误差。
自编码器是一个被训练来执行编码和解码任务的神经网络,使得这个过程的输出尽可能接近原始输入。自编码器可以用作生成模型,因为我们可以解码我们想要的潜空间中的任何点(即使那些不是原始输入的嵌入),以产生一个新颖的输出结果。
2. 数据集与模型分析
2.1 Fashion-MNIST 数据集
在本节中,我们将使用 Fashion-MNIST
数据集,其包含了 10
个类别的 70,000