AutoEncoder Denosie

已于 2022-03-11 20:23:58 修改
阅读量685 收藏
点赞数
文章标签： keras 深度学习 人工智能
于 2022-03-11 19:31:27 首次发布
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/henry_xiong030/article/details/123432124
版权

自学记录

链接参考：

Building Autoencoders in Keras

Denoise images using Autoencoders [TF, Keras] | Kaggle

无监督学习中基于重建的模型，有一部分是使用基于AE的模型以及AE的变种，所以理解AE的结构和原理以及搭建过程，十分重要，为了对AE的使用和训练有一个更感性的认识。复现了kaggle上别人提供的代码，，具体的细节在链接中非常清楚，有需要的同学可以自己看看。

训练集：

  通过人工加入的噪声的训练集图片和与其对应的标签。

训练集140张图，在3090上面跑一轮需要3s 

300轮的时候验证集val_loss已经降到了 0.0006，效果应该非常好了。

最后利用保存的权重文件进行预测，将测试集中的图片，全部denoise出来。结果还不错。

 

 

 上面的图是测试集图片

下图是网络预测的结果

henry_xiong030
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
自动编码器（Autoencoder）图像去噪（image denoising）实战
data+scenario+science+insight
07-04 1955
自动编码器（Autoencoder）图像去噪（image denoising）实战 去噪或降噪是从信号中去除噪声的过程。这些噪声可以是图像、音频或文档之中的随机杂乱信息。你可以训练自动编码器网络来学习如何从图片中去除噪声。为了尝试这个用例，让我们重新使用著名的MNIST数据集，并在数据集中创建一些合成噪声。下面的代码将简单地向数据集添加一些噪声，然后绘制一些图片，以确保我们已经成功创建了它们。 # # The code below is from the Keras Blogs # ht
autoencoder matlab代码,AutoEncoder训练
weixin_30172941的博客
03-23 1025
AutoEncoder是多层神经网络，其中输入层和输出层表示相同的含义，具有相同的节点数。AutoEncode学习的是一个输入输出相同的“恒等函数”。不过输入和输出相同，使得这个网络的输出没有任何意义。AutoEncoder的意义在于学习的(通常是节点数更少的)中间coder层(最中间的那一层)，这一层是输入向量的良好表示。这个过程起到了“降维”的作用。当AutoEncoder只有一个隐含层的时候...
深度学习(三)denoise autoencoder的Python实现
sinat_27634939的博客
05-20 4854
本章主要讲述autoencoder另外一种改进，denoise autoencoder
Denoise Autoencoder
曹雨田的博客
07-14 855
http://www.bubuko.com/infodetail-497920.html搬运这篇文章 当采用无监督的方法分层预训练深度网络的权值时，为了学习到较鲁棒的特征，可以在网络的可视层（即数据的输入层）引入随机噪声，这种方法称为Denoise Autoencoder(简称dAE)，由Bengio在08年提出，见其文章Extracting and composing robust fea
利用卷积自编码器对图片进行降噪
妙猪的专栏
08-06 9594
文章出处： https://zhuanlan.zhihu.com/p/27902193 前言 这周工作太忙，本来想更把Attention tranlsation写出来，但一直抽不出时间，等后面有时间再来写。我们这周来看一个简单的自编码器实战代码，关于自编码器的理论介绍我就不详细介绍了，网上一搜一大把。最简单的自编码器就是通过一个encoder和decoder来对输入进行复现，例如我们将
AutoEncoder 理解
qq_30534935的博客
04-24 300
转载：https://blog.csdn.net/roguesir/article/details/77469665 前言 AutoEncoder是深度学习的另外一个重要内容，并且非常有意思，神经网络通过大量数据集，进行end-to-end的训练，不断提高其准确率，而AutoEncoder通过设计encode和decode过程使输入和输出越来越接近，是一种无监督学习过程。 Introduction...
Autoencoder
Touch_Dream的博客
08-23 5515
转载：http://blog.csdn.net/marsjhao/article/details/73480859 一、什么是自编码器（Autoencoder） 自动编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。 1）自动编码器是数据相关的（data-specific
autoencoder
蚂蚁搬家
08-07 716
import numpy as np import sklearn.preprocessing as prep import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data #initialize parameter with xavier #Yoshua Bengio indecate th
Autoencoder 详解
热门推荐
omnispace的博客
10-27 1万+
本文介绍了AutoEncoder。包括如下内容： AutoEncoder的定义和推导。Sparse AutoEncoder由来和介绍。做Deep Learning所用的unsupervised learning的方法之间的比较。 1. 数学基础 1.1 Orthogonal Matrix 　　满足如下定义的是Orthogonal Matrix AAT=I,AA
autoencoder_autoencoder_python_
10-01
标题中的"autoencoder_autoencoder_python_"表明我们讨论的主题是自动编码器（Autoencoder），这是一种在机器学习领域，尤其是深度学习中用于数据降维和特征学习的神经网络模型。Python是实现这种模型的常用编程语言...
AutoEncoder_autoencoder_python_
10-01
**自动编码器（AutoEncoder）**是一种无监督学习模型，主要应用于数据降维、特征学习以及数据去噪等任务。在Python中实现自动编码器，通常会利用深度学习框架，如TensorFlow或PyTorch。这里我们将重点讨论如何在...
numpy复现AutoEncoder算法
10-16
**numpy复现AutoEncoder算法** AutoEncoder是一种无监督学习的深度学习模型，它主要用于数据的降维和特征学习。在不依赖大量标记数据的情况下，AutoEncoder可以自我学习数据的内在结构，通过编码和解码过程来重构...
Sparse-Autoencoder
12-24
**稀疏自编码器（Sparse Autoencoder）** 稀疏自编码器是一种无监督学习方法，主要应用于深度学习领域，尤其在特征学习和数据降维上表现出色。它是由普通的自编码器发展而来，通过引入稀疏约束来改进自编码器的学习...
CNN文献综述
暴力扬
07-05 1191
卷积神经网络作为深度学习的重要分支，凭借其强大的特征提取能力和广泛的应用前景，成为了当前人工智能研究的热点。未来，随着计算资源的不断增长和算法的持续优化，CNN将继续在各个领域发挥重要作用，并推动人工智能技术的进一步发展。
28个常用的损失函数介绍以及Python代码实现总结
qq_44699157的博客
07-07 861
常用损失函数总结，如果需要，持续更新。
基于深度学习LightWeight的人体姿态之行为识别系统源码
最新发布
修行之路
07-07 682
基于深度学习LightWeight的人体姿态之行为识别系统源码
基于深度学习的高压线路巡线
weixin_42605076的博客
07-07 610
基于深度学习的高压线路巡线是一项通过无人机、机器人或固定摄像头等设备采集图像和视频数据，并利用深度学习技术自动检测和分析高压线路状态的技术。这项技术旨在提高巡检效率、降低人工成本和提升电力系统的安全性。

“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