自编码器是一种神经网络模型，用于非监督学习中实现数据的压缩与解压缩。通过压缩输入图像为低维表示，然后解压缩回原始图像，以提取最具代表性的信息。这种过程简化了神经网络的学习任务，提高效率。在训练过程中，通过比较压缩后的解压缩结果与原始数据的误差来优化模型，从而逐渐提升自编码器的准确性。由于在整个过程中未使用数据标签，自编码器被视为非监督学习方法，其编码器部分常用于获取源数据的关键特征。
各位小伙伴们，大家好，今天让我们来如何用神经网络来处理非监督的学习，也就是AutoEncoder,自编码。
首先，我们听到自编码，一定会想到，AutoEncoder会是个什么码呢？是条形码，二维码，还是我们宅男们最不能忍受的打码中的一种呢？
NO.NO.NO，和他们都没有关系，其实自编码是一种神经网络形式，如果你一定要和上面的那些码扯上关系，我想可以这样理解了。
现在我们先构架一个神经网络模型，这个模型是收集一张图片，接受这个图片后，神经网络给这个图片打码，最后再从打码的图片中还原，是不是感觉有点抽象，其实我也觉得这样的解释不太恰当，那就让我们更加的具体一点来深入了解下这个自编码。
现在假设我们刚才构建的模型是这个样子，我们可以从图片中看出来，我们刚才上传给自编码模型的图片实质上是经过压缩以后再进行解压的一个过程。
当压缩的时候，原有的图片的质量被缩减，解压的时候，用信息量小却包含了所有信息的文件来恢复出原来的图片。
那么，为什么要这么做呢？当神经网络要输入大量的信息，比如高清图片的时候，输入的图像数量可以达到上千万，
最低0.47元/天 解锁文章
扫一扫
607
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
