autoencoder ແມ່ນຫຍັງ? ຄູ່ມືສຸດທ້າຍ!

Autoencoders, ຫຼື ເຄື່ອງເຂົ້າລະຫັດອັດຕະໂນມັດ ໃນ​ພາ​ສາ​ອັງ​ກິດ​, ຕໍາ​ແຫນ່ງ​ຕົນ​ເອງ​ເປັນ​ເຄື່ອງ​ມື​ທີ່​ມີ​ອໍາ​ນາດ​ໃນ​ຂະ​ແຫນງ​ການ​ຂອງ​ການ​ຮຽນ​ຮູ້​ເຄື່ອງ​ຈັກ​ແລະ​ປັນຍາ​ປະດິດ​. ເຄືອຂ່າຍ neural ພິເສດເຫຼົ່ານີ້ຖືກນໍາໃຊ້ສໍາລັບການຫຼຸດຜ່ອນຂະຫນາດ, ການກວດສອບຜິດປົກກະຕິ, ການ denoising ຂໍ້ມູນ, ແລະອື່ນໆ. ບົດຂຽນນີ້ໃຫ້ຄໍາແນະນໍາກ່ຽວກັບເທກໂນໂລຍີທີ່ຫນ້າສົນໃຈນີ້, ເນັ້ນຫນັກເຖິງຫຼັກການການເຮັດວຽກ, ຄໍາຮ້ອງສະຫມັກແລະຄວາມສໍາຄັນທີ່ເພີ່ມຂຶ້ນໃນການຄົ້ນຄວ້າແລະອຸດສາຫະກໍາ.

autoencoder ແມ່ນຫຍັງ?

ກ ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດ ແມ່ນປະເພດຂອງເຄືອຂ່າຍ neural ທຽມທີ່ໃຊ້ສໍາລັບການຮຽນຮູ້ທີ່ບໍ່ມີການເບິ່ງແຍງ. ເປົ້າໝາຍຫຼັກຂອງຕົວເຂົ້າລະຫັດອັດຕະໂນມັດແມ່ນການຜະລິດຕົວແທນທີ່ກະທັດຮັດ (ການເຂົ້າລະຫັດ) ຂອງຊຸດຂໍ້ມູນການປ້ອນຂໍ້ມູນ ແລະ ຈາກນັ້ນສ້າງຂໍ້ມູນຄືນໃໝ່ຈາກການເປັນຕົວແທນນີ້. ແນວຄວາມຄິດແມ່ນເພື່ອເກັບກໍາລັກສະນະທີ່ສໍາຄັນທີ່ສຸດຂອງຂໍ້ມູນ, ເລື້ອຍໆສໍາລັບການຫຼຸດຜ່ອນຂະຫນາດ. ໂຄງສ້າງຂອງ autoencoder ໂດຍທົ່ວໄປແມ່ນປະກອບດ້ວຍສອງພາກສ່ວນຕົ້ນຕໍ:

• ຕົວເຂົ້າລະຫັດ (ເຂົ້າລະຫັດ): ພາກສ່ວນທໍາອິດຂອງເຄືອຂ່າຍນີ້ແມ່ນຮັບຜິດຊອບສໍາລັບການບີບອັດຂໍ້ມູນປ້ອນເຂົ້າໄປໃນຮູບແບບທີ່ຫຼຸດລົງ.
• ຕົວຖອດລະຫັດ (ຖອດລະຫັດ): ສ່ວນທີສອງໄດ້ຮັບການບີບອັດເຂົ້າລະຫັດແລະພະຍາຍາມສ້າງຂໍ້ມູນຕົ້ນສະບັບຄືນໃຫມ່.

autoencoders ເຮັດວຽກແນວໃດ?

ການດໍາເນີນງານຂອງ autoencoders ສາມາດຖືກອະທິບາຍໃນຫຼາຍຂັ້ນຕອນ:

1. ເຄືອຂ່າຍໄດ້ຮັບຂໍ້ມູນເປັນການປ້ອນຂໍ້ມູນ.
2. ຕົວເຂົ້າລະຫັດຈະບີບອັດຂໍ້ມູນເຂົ້າໄປໃນ vector vector, ເອີ້ນວ່າ code ຫຼື latent space.
3. ຕົວຖອດລະຫັດເອົາ vector ນີ້ແລະພະຍາຍາມສ້າງຂໍ້ມູນເບື້ອງຕົ້ນຄືນໃຫມ່.
4. ຄຸນນະພາບຂອງການກໍ່ສ້າງຄືນໃຫມ່ແມ່ນວັດແທກໂດຍໃຊ້ຫນ້າທີ່ສູນເສຍ, ເຊິ່ງປະເມີນຄວາມແຕກຕ່າງລະຫວ່າງວັດສະດຸປ້ອນຕົ້ນສະບັບແລະຜົນຜະລິດທີ່ໄດ້ຮັບການກໍ່ສ້າງຄືນໃຫມ່.
5. ເຄືອຂ່າຍປັບນໍ້າໜັກຂອງມັນຜ່ານລະບົບການແຜ່ພັນຄືນເພື່ອຫຼຸດຜ່ອນການທໍາງານຂອງການສູນເສຍນີ້.

ໂດຍຜ່ານຂະບວນການຊ້ໍາກັນນີ້, autoencoder ຮຽນຮູ້ການເປັນຕົວແທນທີ່ມີປະສິດທິພາບຂອງຂໍ້ມູນ, ໂດຍເນັ້ນໃສ່ການຮັກສາລັກສະນະທີ່ສໍາຄັນທີ່ສຸດໃນລະຫວ່າງຂະບວນການສ້າງໃຫມ່.

ການປະຕິບັດຕົວຈິງຂອງ autoencoders

Autoencoders ມີຄວາມຫຼາກຫຼາຍຫຼາຍ ແລະສາມາດນຳໃຊ້ໄດ້ໃນຫຼາຍຂົງເຂດ:

• ການຫຼຸດຜ່ອນຂະຫນາດ: ເຊັ່ນດຽວກັນກັບ PCA (ການວິເຄາະອົງປະກອບຫຼັກ), ແຕ່ມີຄວາມສາມາດທີ່ບໍ່ແມ່ນເສັ້ນ.
• ການປະຕິເສດ: ພວກເຂົາເຈົ້າສາມາດຮຽນຮູ້ທີ່ຈະບໍ່ສົນໃຈ “ສິ່ງລົບກວນ” ໃນຂໍ້ມູນ.
• ການບີບອັດຂໍ້ມູນ: ພວກເຂົາສາມາດຮຽນຮູ້ການເຂົ້າລະຫັດທີ່ມີປະສິດທິພາບຫຼາຍກວ່າວິທີການບີບອັດແບບດັ້ງເດີມ.
• ການຜະລິດຂໍ້ມູນ: ໂດຍການນໍາທາງຊ່ອງຫວ່າງ, ພວກເຂົາອະນຸຍາດໃຫ້ສ້າງຕົວຢ່າງຂໍ້ມູນໃຫມ່ທີ່ຄ້າຍຄືກັບລາຍການຕົ້ນສະບັບ.
• ການກວດຫາຄວາມຜິດປົກກະຕິ: ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດສາມາດຊ່ວຍຈຸດຂໍ້ມູນທີ່ບໍ່ເຫມາະສົມກັບການແຈກຢາຍທີ່ຮຽນຮູ້.

ໃນສັ້ນ, ຄວາມສາມາດຂອງ autoencoders ເພື່ອຄົ້ນພົບແລະກໍານົດລັກສະນະທີ່ມີຄວາມຫມາຍຂອງຂໍ້ມູນເຮັດໃຫ້ພວກເຂົາເປັນເຄື່ອງມືທີ່ຕ້ອງມີຢູ່ໃນຊຸດເຄື່ອງມືຂອງຜູ້ປະຕິບັດ AI.

Autoencoder: ການ​ເຂົ້າ​ລະ​ຫັດ​, ກະ​ຕຸກ​ແລະ​ການ​ຖອດ​ລະ​ຫັດ​

ການຂຽນລະຫັດ

ການເຂົ້າລະຫັດ, ຫຼືໄລຍະການເຂົ້າລະຫັດ, ກ່ຽວຂ້ອງກັບການຫັນປ່ຽນຂໍ້ມູນການປ້ອນຂໍ້ມູນເຂົ້າໃນການສະແດງທີ່ບີບອັດ. ຂໍ້ມູນເບື້ອງຕົ້ນ, ເຊິ່ງອາດຈະມີຂະຫນາດໃຫຍ່, ຖືກປ້ອນເຂົ້າໃນເຄືອຂ່າຍ autoencoder. ຊັ້ນຂອງເຄືອຂ່າຍຈະຄ່ອຍໆຫຼຸດລົງຂະຫນາດຂອງຂໍ້ມູນ, ບີບອັດຂໍ້ມູນທີ່ສໍາຄັນເຂົ້າໄປໃນພື້ນທີ່ສະແດງຂະຫນາດນ້ອຍກວ່າ. ແຕ່ລະຊັ້ນຂອງເຄືອຂ່າຍແມ່ນປະກອບດ້ວຍ neurons ທີ່ນໍາໃຊ້ການຫັນເປັນທີ່ບໍ່ແມ່ນເສັ້ນ, ສໍາລັບການຍົກຕົວຢ່າງ, ການນໍາໃຊ້ຫນ້າທີ່ກະຕຸ້ນເຊັ່ນ ReLU ຫຼື Sigmoid, ມາຮອດການເປັນຕົວແທນໃຫມ່ຂອງຂໍ້ມູນທີ່ເກັບຮັກສາຂໍ້ມູນທີ່ສໍາຄັນ.

ຄໍຂວດ

ຄໍຂວດແມ່ນສ່ວນກາງຂອງຕົວເຂົ້າລະຫັດອັດຕະໂນມັດທີ່ການສະແດງຂໍ້ມູນເຖິງຂະຫນາດຕ່ໍາສຸດ, ເອີ້ນວ່າລະຫັດ. ມັນແມ່ນການສະແດງການບີບອັດນີ້ທີ່ຮັກສາຄຸນລັກສະນະທີ່ສໍາຄັນທີ່ສຸດຂອງຂໍ້ມູນການປ້ອນຂໍ້ມູນ. ຄໍຂວດເຮັດໜ້າທີ່ເປັນຕົວກອງບັງຄັບໃຫ້ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດຮຽນຮູ້ວິທີທີ່ມີປະສິດທິພາບໃນການບີບອັດຂໍ້ມູນ. ນີ້ສາມາດຖືກປຽບທຽບກັບຮູບແບບຂອງການບີບອັດຂໍ້ມູນ, ແຕ່ບ່ອນທີ່ການບີບອັດໄດ້ຖືກຮຽນຮູ້ໂດຍອັດຕະໂນມັດຈາກຂໍ້ມູນແທນທີ່ຈະຖືກກໍານົດໂດຍສູດການຄິດໄລ່ມາດຕະຖານ.

ການຖອດລະຫັດ

ໄລຍະການຖອດລະຫັດແມ່ນຂັ້ນຕອນທີ່ສົມມາຕຖານກັບການເຂົ້າລະຫັດ, ບ່ອນທີ່ການສະແດງຜົນທີ່ຖືກບີບອັດຖືກສ້າງຄືນໃໝ່ໄປສູ່ຜົນໄດ້ຮັບທີ່ມີຈຸດປະສົງໃຫ້ສັດຊື່ເທົ່າທີ່ຈະເປັນໄປໄດ້ຕໍ່ກັບການປ້ອນຂໍ້ມູນຕົ້ນສະບັບ. ເລີ່ມຕົ້ນຈາກການເປັນຕົວແທນຂອງຄໍຂວດ, ເຄືອຂ່າຍ neural ຈະຄ່ອຍໆເພີ່ມຂະຫນາດຂອງຂໍ້ມູນ. ນີ້​ແມ່ນ​ຂະ​ບວນ​ການ​ປີ້ນ​ກັບ​ກັນ​ຂອງ​ລະ​ຫັດ​: ຂັ້ນ​ຕອນ​ຕໍ່​ເນື່ອງ reconstruct ລັກ​ສະ​ນະ​ເບື້ອງ​ຕົ້ນ​ຈາກ​ການ​ຫຼຸດ​ລົງ​ຕົວ​ແທນ​. ຖ້າການຖອດລະຫັດມີປະສິດທິພາບ, ຜົນຜະລິດຂອງ autoencoder ຄວນຈະເປັນການປະມານທີ່ໃກ້ຊິດຂອງຂໍ້ມູນຕົ້ນສະບັບ.

ໃນການຮຽນຮູ້ທີ່ບໍ່ມີການເບິ່ງແຍງ, autoencoders ມີປະໂຫຍດໂດຍສະເພາະສໍາລັບການເຂົ້າໃຈໂຄງສ້າງພື້ນຖານຂອງຂໍ້ມູນ. ປະສິດທິຜົນຂອງເຄືອຂ່າຍເຫຼົ່ານີ້ແມ່ນບໍ່ໄດ້ວັດແທກໂດຍຄວາມສາມາດຂອງເຂົາເຈົ້າທີ່ຈະຜະລິດໃຫມ່ຢ່າງສົມບູນແບບວັດສະດຸປ້ອນ, ແຕ່ໂດຍຜ່ານຄວາມສາມາດຂອງເຂົາເຈົ້າທີ່ຈະເກັບກໍາຄຸນລັກສະນະ salient ແລະທີ່ກ່ຽວຂ້ອງທີ່ສຸດຂອງຂໍ້ມູນໃນລະຫັດ. ຫຼັງຈາກນັ້ນ, ລະຫັດນີ້ສາມາດຖືກນໍາໃຊ້ສໍາລັບວຽກງານເຊັ່ນ: ການຫຼຸດຜ່ອນຂະຫນາດ, ການເບິ່ງເຫັນ, ຫຼືແມ້ກະທັ້ງການປຸງແຕ່ງສໍາລັບເຄືອຂ່າຍ neural ອື່ນໆໃນສະຖາປັດຕະຍະກໍາທີ່ສັບສົນຫຼາຍ.

ຄໍາຮ້ອງສະຫມັກພາກປະຕິບັດແລະການປ່ຽນແປງຂອງ autoencoders

ລຕົວເຂົ້າລະຫັດອັດຕະໂນມັດ, ອົງປະກອບທີ່ສໍາຄັນໃນສານຫນູຂອງການຮຽນຮູ້ເລິກທີ່ຂັບເຄື່ອນໂດຍ Artificial Intelligence (AI), ເປັນເຄືອຂ່າຍ neural ທີ່ອອກແບບມາເພື່ອເຂົ້າລະຫັດຂໍ້ມູນເຂົ້າໄປໃນການສະແດງມິຕິລະດັບຕ່ໍາແລະ decompose ມັນໃນລັກສະນະທີ່ reconstruction ທີ່ກ່ຽວຂ້ອງເປັນໄປໄດ້. ໃຫ້ກວດເບິ່ງພວກເຂົາ ຄໍາຮ້ອງສະຫມັກພາກປະຕິບັດ ແລະ variants ທີ່ເກີດໃນພາກສະຫນາມ fascinating ນີ້.

ການປະຕິບັດຕົວຈິງຂອງ autoencoders

Autoencoders ໄດ້ພົບເຫັນວິທີການຂອງເຂົາເຈົ້າເຂົ້າໄປໃນຈໍານວນຫລາຍຂອງຄໍາຮ້ອງສະຫມັກອັນເນື່ອງມາຈາກຄວາມສາມາດຂອງເຂົາເຈົ້າທີ່ຈະຮຽນຮູ້ການເປັນຕົວແທນປະສິດທິພາບແລະມີຄວາມຫມາຍຂອງຂໍ້ມູນໂດຍບໍ່ມີການຊີ້ນໍາ. ນີ້ແມ່ນບາງຕົວຢ່າງ:

ການຫຼຸດຜ່ອນຂະຫນາດ

ເຊັ່ນດຽວກັນກັບ PCA (ການວິເຄາະອົງປະກອບຕົ້ນຕໍ), autoencoders ຖືກນໍາໃຊ້ເລື້ອຍໆສໍາລັບ ການ​ຫຼຸດ​ຜ່ອນ​ຂະ​ຫນາດ​. ເຕັກນິກນີ້ເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະເຮັດໃຫ້ການປະມວນຜົນຂໍ້ມູນງ່າຍຂຶ້ນໂດຍການຫຼຸດຜ່ອນຈໍານວນຕົວແປທີ່ຈະຄໍານຶງເຖິງໃນຂະນະທີ່ເກັບຮັກສາຂໍ້ມູນສ່ວນໃຫຍ່ທີ່ມີຢູ່ໃນຊຸດຂໍ້ມູນຕົ້ນສະບັບ.

ການຍົກເລີກສຽງລົບກວນ (Denoising)

ດ້ວຍ​ຄວາມ​ສາ​ມາດ​ຂອງ​ເຂົາ​ເຈົ້າ​ໃນ​ການ​ຮຽນ​ຮູ້​ທີ່​ຈະ​ສ້າງ​ຂໍ້​ມູນ​ຈາກ​ຂໍ້​ມູນ​ທີ່​ຖືກ​ທໍາ​ລາຍ​ບາງ​ສ່ວນ​, autoencoders ເປັນ​ປະ​ໂຫຍດ​ໂດຍ​ສະ​ເພາະ​ແມ່ນ​ສໍາ​ລັບ​ການ ການຍົກເລີກສິ່ງລົບກວນ. ພວກເຂົາເຈົ້າຈັດການຮັບຮູ້ແລະຟື້ນຟູຂໍ້ມູນທີ່ເປັນປະໂຫຍດເຖິງວ່າຈະມີການລົບກວນຂອງສິ່ງລົບກວນ.

ການບີບອັດຂໍ້ມູນ

ໂດຍການຮຽນຮູ້ການເຂົ້າລະຫັດຂໍ້ມູນເຂົ້າໄປໃນຮູບແບບທີ່ຫນາແຫນ້ນກວ່າ, autoencoders ສາມາດຖືກນໍາໃຊ້ສໍາລັບ ການບີບອັດຂໍ້ມູນ. ເຖິງແມ່ນວ່າພວກເຂົາຍັງບໍ່ໄດ້ຖືກນໍາໃຊ້ຢ່າງກວ້າງຂວາງສໍາລັບຈຸດປະສົງນີ້ໃນການປະຕິບັດ, ທ່າແຮງຂອງພວກເຂົາແມ່ນສໍາຄັນ, ໂດຍສະເພາະສໍາລັບການບີບອັດປະເພດຂໍ້ມູນສະເພາະ.

ການຜະລິດຂໍ້ມູນແລະ imputation

Autoencoders ສາມາດສ້າງຕົວຢ່າງຂໍ້ມູນໃຫມ່ທີ່ຄ້າຍຄືກັບຂໍ້ມູນການຝຶກອົບຮົມຂອງພວກເຂົາ. ຄວາມສາມາດນີ້ຍັງສາມາດຖືກນໍາໃຊ້ເພື່ອ imputation, ເຊິ່ງກ່ຽວຂ້ອງກັບການຕື່ມຂໍ້ມູນທີ່ບໍ່ມີຢູ່ໃນຊຸດຂໍ້ມູນ.

ຕົວປ່ຽນການເຂົ້າລະຫັດອັດຕະໂນມັດ

ນອກເຫນືອຈາກການເຂົ້າລະຫັດອັດຕະໂນມັດມາດຕະຖານ, variants ຕ່າງໆໄດ້ຖືກພັດທະນາເພື່ອປັບຕົວເຂົ້າກັບຂໍ້ມູນສະເພາະແລະວຽກງານທີ່ຕ້ອງການ. ນີ້ແມ່ນບາງການປ່ຽນແປງທີ່ໂດດເດັ່ນ:

ຕົວປ່ຽນລະຫັດອັດຕະໂນມັດແບບປ່ຽນແປງ (VAE)

THE ຕົວປ່ຽນລະຫັດອັດຕະໂນມັດ (VAE) ເພີ່ມຊັ້ນ stochastic ທີ່ອະນຸຍາດໃຫ້ສ້າງຂໍ້ມູນ. VAEs ແມ່ນມີຄວາມນິຍົມໂດຍສະເພາະໃນການຜະລິດເນື້ອຫາ, ເຊັ່ນ: ຮູບພາບຫຼືດົນຕີ, ເພາະວ່າພວກມັນເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະຜະລິດອົງປະກອບໃຫມ່ແລະແຕກຕ່າງກັນທີ່ອາດຈະເປັນໄປໄດ້ຕາມຮູບແບບດຽວກັນ.

ເຄື່ອງເຂົ້າລະຫັດອັດຕະໂນມັດແບບເບົາບາງ

THE autoencoders ກະແຈກກະຈາຍ ລວມເອົາການລົງໂທດທີ່ກໍານົດກິດຈະກໍາທີ່ຈໍາກັດຢູ່ໃນ nodes ທີ່ເຊື່ອງໄວ້. ພວກເຂົາເຈົ້າມີປະສິດທິພາບໃນການຄົ້ນພົບລັກສະນະທີ່ໂດດເດັ່ນຂອງຂໍ້ມູນ, ເຊິ່ງເຮັດໃຫ້ພວກເຂົາເປັນປະໂຫຍດສໍາລັບ ການຈັດປະເພດ ແລະ ການກວດຫາຄວາມຜິດປົກກະຕິ.

Denoising Autoencoders

THE autoencoders denormalized ຖືກອອກແບບເພື່ອຕ້ານການນໍາສິ່ງລົບກວນເຂົ້າໄປໃນຂໍ້ມູນປ້ອນຂໍ້ມູນ. ພວກເຂົາເຈົ້າມີອໍານາດສໍາລັບການຮຽນຮູ້ການເປັນຕົວແທນທີ່ເຂັ້ມແຂງແລະສໍາລັບ ການປະມວນຜົນຂໍ້ມູນກ່ອນ ກ່ອນທີ່ຈະປະຕິບັດວຽກງານການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆ.

ເຄື່ອງເຂົ້າລະຫັດອັດຕະໂນມັດຕາມລໍາດັບ

THE ເຄື່ອງເຂົ້າລະຫັດອັດຕະໂນມັດຕາມລໍາດັບ ຂໍ້ມູນຂະບວນການຈັດລຽງຕາມລຳດັບເຊັ່ນ: ຂໍ້ຄວາມ ຫຼືຊຸດເວລາ. ເຂົາເຈົ້າມັກຈະໃຊ້ເຄືອຂ່າຍທີ່ເກີດຂຶ້ນຊ້ຳໆເຊັ່ນ LSTM (Long Short-Term Memory) ເພື່ອເຂົ້າລະຫັດ ແລະຖອດລະຫັດຂໍ້ມູນໃນໄລຍະເວລາ.

ວິທີການຝຶກອົບຮົມ autoencoder ແລະຕົວຢ່າງລະຫັດ

ການຝຶກອົບຮົມຂອງ ກ ຕົວເຂົ້າລະຫັດອັດຕະໂນມັດ ເປັນວຽກງານທີ່ສໍາຄັນໃນພາກສະຫນາມຂອງການຮຽນຮູ້ເຄື່ອງຈັກສໍາລັບການຫຼຸດຜ່ອນຂະຫນາດແລະການກວດສອບຜິດປົກກະຕິ, ໃນບັນດາຄໍາຮ້ອງສະຫມັກອື່ນໆ. ໃນທີ່ນີ້ພວກເຮົາຈະເບິ່ງວິທີການຝຶກອົບຮົມແບບຈໍາລອງດັ່ງກ່າວໂດຍໃຊ້ Python ແລະຫ້ອງສະຫມຸດ ເຄຣາສ, ມີຕົວຢ່າງລະຫັດທີ່ທ່ານສາມາດທົດສອບແລະປັບຕົວເຂົ້າກັບໂຄງການຂອງທ່ານ.

ຂະບວນການຝຶກອົບຮົມ autoencoder

ເພື່ອຝຶກ autoencoder, ປົກກະຕິແລ້ວຄົນຫນຶ່ງຈະໃຊ້ຕົວຊີ້ການສູນເສຍເຊັ່ນ: mean square error (MSE), ເຊິ່ງວັດແທກຄວາມແຕກຕ່າງລະຫວ່າງການປ້ອນຂໍ້ມູນຕົ້ນສະບັບແລະການສ້າງໃຫມ່ຂອງມັນ. ເປົ້າຫມາຍຂອງການຝຶກອົບຮົມແມ່ນເພື່ອຫຼຸດຜ່ອນຫນ້າທີ່ສູນເສຍນີ້.

ຕົວຢ່າງລະຫັດກັບ Keras

ນີ້ແມ່ນຕົວຢ່າງງ່າຍໆຂອງການຝຶກອົບຮົມ autoencoder ໂດຍໃຊ້ ເຄຣາສ:

ຈາກ keras.layers ນໍາເຂົ້າການນໍາເຂົ້າ, ຄວາມຫນາແຫນ້ນ
ຈາກ keras.models ນໍາເຂົ້າ Model

# ຂະໜາດເຂົ້າ
# ຂະຫນາດຂອງພື້ນທີ່ latent (ການສະແດງລັກສະນະ)
encoding_dim = 32

# ນິຍາມຂອງຕົວເຂົ້າລະຫັດ
input_img = ການປ້ອນຂໍ້ມູນ(ຮູບຮ່າງ=(input_dim,))
encoded = Dense(encoding_dim, activation='relu')(input_img)

# ນິຍາມຂອງຕົວຖອດລະຫັດ
decoded = Dense(input_dim, activation='sigmoid')(ເຂົ້າລະຫັດ)

# ຕົວແບບເຂົ້າລະຫັດອັດຕະໂນມັດ
autoencoder = ຕົວແບບ(input_img, ຖອດລະຫັດ)

# ການລວບລວມຕົວແບບ
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# ການຝຶກອົບຮົມການເຂົ້າລະຫັດອັດຕະໂນມັດ
autoencoder.fit(X_train,
                ຍຸກ=50,
                batch_size=256,
                shuffle=ຄວາມຈິງ,
                validation_data=(X_test, X_test))

ໃນຕົວຢ່າງນີ້, `X_train` ແລະ `X_test` ເປັນຕົວແທນຂອງຂໍ້ມູນການຝຶກອົບຮົມ ແລະການທົດສອບ. ໃຫ້ສັງເກດວ່າ autoencoder ໄດ້ຖືກຝຶກອົບຮົມເພື່ອຄາດຄະເນການປ້ອນຂໍ້ມູນຂອງຕົນເອງ `X_train` ເປັນຜົນຜະລິດ.

ຄໍາແນະນໍາສໍາລັບການອອກກໍາລັງກາຍທີ່ດີ

ໃຊ້ເຕັກນິກເຊັ່ນ ການກວດສອບຂ້າມ, ມີ batch normalization ແລະ ໂທກັບ ຂອງ Keras ຍັງສາມາດຊ່ວຍປັບປຸງປະສິດທິພາບແລະຄວາມຫມັ້ນຄົງຂອງໄດ autoencoder.

ຄໍາຮ້ອງສະຫມັກຂອງ autoencoders

ຫຼັງຈາກການຝຶກອົບຮົມ, autoencoders ສາມາດຖືກນໍາໃຊ້ເພື່ອ:

• ການ​ຫຼຸດ​ຜ່ອນ​ຂະ​ຫນາດ​,
• ການ​ກວດ​ສອບ​ຄວາມ​ຜິດ​ປົກ​ກະ​ຕິ​,
• ການຮຽນຮູ້ແບບບໍ່ມີການຄວບຄຸມຂອງຕົວອະທິບາຍທີ່ເປັນປະໂຫຍດສໍາລັບວຽກງານການຮຽນຮູ້ເຄື່ອງຈັກອື່ນໆ.

ເພື່ອສະຫຼຸບ, ການຝຶກອົບຮົມ autoencoder ເປັນວຽກງານທີ່ຮຽກຮ້ອງໃຫ້ມີຄວາມເຂົ້າໃຈກ່ຽວກັບສະຖາປັດຕະຍະກໍາເຄືອຂ່າຍ neural ແລະປະສົບການໃນ hyperparameters ປັບລະອຽດ. ຢ່າງໃດກໍ່ຕາມ, ຄວາມງ່າຍດາຍແລະຄວາມຍືດຫຍຸ່ນຂອງ autoencoders ເຮັດໃຫ້ພວກເຂົາເປັນເຄື່ອງມືທີ່ມີຄຸນຄ່າສໍາລັບບັນຫາການປຸງແຕ່ງຂໍ້ມູນຫຼາຍຢ່າງ.