Autoencoder ของซีเอ็นเอ็น-อลหรือเพิ่มตัวกรอ?

Question 1

ใน Autoencoder จากซีเอ็นเอ็นเลยคุณจะเพิ่มหรือลดจำนวนของตัวกรองระหว่างเสื้อผ้าหลายชั้น?? ที่เราบีบอัดข้อมูลที่ฉันกำลังคิดว่า decreasing.

ตัวอย่างอยู่ที่นี่ของตัวเข้ารหัสส่วนที่จำนวนของตัวกรองคือ decreased กัเลเยอร์ใหม่จากอายุ 16 ที่ 8 เพื่อ 4.

x = Conv2D(filters = 16, kernel_size = 3, activation='relu', padding='same', name='encoder_1a')(inputs)
x = MaxPooling2D(pool_size = (2, 2), padding='same', name='encoder_1b')(x)

x = Conv2D(filters = 8, kernel_size = 3, activation='relu', padding='same', name='encoder_2a')(x)
x = MaxPooling2D(pool_size = (2, 2), padding='same', name='encoder_2b')(x)

x = Conv2D(filters = 4, kernel_size = 3, activation='relu', padding='same', name='encoder_3a')(x)
x = MaxPooling2D(pool_size = (2, 2), padding='same', name='encoder_3b')(x)

Question 2

มันไม่ใช่ในกรณีนี้ที่ตัวกรองขนาดไหลดหรือเพิ่มจำนวนกับเพิ่มขึ้นจำนวนของชั้นอยู่ในตัวเข้ารหัส. ในที่สุดตัวอย่างของตัวเข้ารหัสฉันต้องเห็นของ convolutional autoencoder architectures ความสูงและความกว้างเป็น decreased ผ่าน strided convolution หรือ pooling และความลึกของเลเยอร์ก็เพิ่มจำนวน(ตัวกรองขนาดไหเพิ่มจำนวน)เก็บไว้คล้ายกับสุดท้ายหรือความผันผวนเกี่ยวกับเลเยอร์ใหม่ในตัวเข้ารหัส. แต่มันจะเป็นตัวอย่างที่ช่องสัญญาณส่งออกหรือตัวกรองขนาดไห decreased กันอีกเลเยอร์.

ปกติแล้ว autoencoder encodes นำเข้าข้อมูลเข้า latent ตัวแทน/เว็กเตอหรือฝังตัวที่มีด้านล่างมิตินำเข้าข้อมูลมากกว่านั้น minimizes ชิ้นข้อผิดพลาด ดังนั้นทั้งสองของเหนือสามารถถูกใช้เพื่อสร้าง undercomplete autoencoder โดย varying เคอร์เนลขนาดจำนวนของชั้น,เพิ่มเป็นพิเศษเลเยอร์ในตอนจบของตัวเข้ารหัสกับบางอย่างมิติเป็นต้น

ตัวกรองเพิ่มตัวอย่างเช่น

ในภาพด้านล่างนี้เป็นมากกว่าพวกเสื้อผ้าหลายชั้นเป็นการเพิ่มในตัวเข้ารหัสตัวกรองที่เพิ่มขนาด. แต่เหมือนำเข้าข้อมูล 28*28*1 = 784 มิติที่มีคุณสมบัติและ flattened ตัวแทน 3*3*128 = 1152 มากกว่าดังนั้นอีกเลเยอร์เป็นการเพิ่มก่อนที่สุดท้ายเลเยอร์ซึ่งเป็นการฝังตัวเลเยอร์. มัน reduces ความสามารถของคุณสมบัติมุนกับค่าที่นิยามไว้แล้วจำนวนของแสดงผลอยู่เต็มที่เชื่อมต่อเครือข่าย แม้แต่สุดท้ายละเอียด/เต็มที่เกี่ยวข้องเลเยอร์สามารถถูกแทนที่ด้วย varying จำนวนของชั้นหรือเคอร์เนลขนาดของเพื่อเป็นการแสดงผล (1, 1, NUM_FILTERS).

ตัวกรองลดตัวอย่างเช่น

เป็นเรื่องง่ายกตัวอย่างของตัวกรอง decreasing ในตัวเข้ารหัสเป็นจำนวนของชั้นเพิ่มความสามารถถูกพบบ keras convolutional autoencoder ตัวอย่างเหมือนรหัสของคุณ.

import keras
from keras import layers

input_img = keras.Input(shape=(28, 28, 1))

x = layers.Conv2D(16, (3, 3), activation='relu', padding='same')(input_img)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = layers.MaxPooling2D((2, 2), padding='same')(x)

อ้างอิง

B200011011 · Answer 1 · 2021-11-22T06:57:52

มันไม่ใช่ในกรณีนี้ที่ตัวกรองขนาดไหลดหรือเพิ่มจำนวนกับเพิ่มขึ้นจำนวนของชั้นอยู่ในตัวเข้ารหัส. ในที่สุดตัวอย่างของตัวเข้ารหัสฉันต้องเห็นของ convolutional autoencoder architectures ความสูงและความกว้างเป็น decreased ผ่าน strided convolution หรือ pooling และความลึกของเลเยอร์ก็เพิ่มจำนวน(ตัวกรองขนาดไหเพิ่มจำนวน)เก็บไว้คล้ายกับสุดท้ายหรือความผันผวนเกี่ยวกับเลเยอร์ใหม่ในตัวเข้ารหัส. แต่มันจะเป็นตัวอย่างที่ช่องสัญญาณส่งออกหรือตัวกรองขนาดไห decreased กันอีกเลเยอร์.

ปกติแล้ว autoencoder encodes นำเข้าข้อมูลเข้า latent ตัวแทน/เว็กเตอหรือฝังตัวที่มีด้านล่างมิตินำเข้าข้อมูลมากกว่านั้น minimizes ชิ้นข้อผิดพลาด ดังนั้นทั้งสองของเหนือสามารถถูกใช้เพื่อสร้าง undercomplete autoencoder โดย varying เคอร์เนลขนาดจำนวนของชั้น,เพิ่มเป็นพิเศษเลเยอร์ในตอนจบของตัวเข้ารหัสกับบางอย่างมิติเป็นต้น

ตัวกรองเพิ่มตัวอย่างเช่น

ในภาพด้านล่างนี้เป็นมากกว่าพวกเสื้อผ้าหลายชั้นเป็นการเพิ่มในตัวเข้ารหัสตัวกรองที่เพิ่มขนาด. แต่เหมือนำเข้าข้อมูล 28*28*1 = 784 มิติที่มีคุณสมบัติและ flattened ตัวแทน 3*3*128 = 1152 มากกว่าดังนั้นอีกเลเยอร์เป็นการเพิ่มก่อนที่สุดท้ายเลเยอร์ซึ่งเป็นการฝังตัวเลเยอร์. มัน reduces ความสามารถของคุณสมบัติมุนกับค่าที่นิยามไว้แล้วจำนวนของแสดงผลอยู่เต็มที่เชื่อมต่อเครือข่าย แม้แต่สุดท้ายละเอียด/เต็มที่เกี่ยวข้องเลเยอร์สามารถถูกแทนที่ด้วย varying จำนวนของชั้นหรือเคอร์เนลขนาดของเพื่อเป็นการแสดงผล (1, 1, NUM_FILTERS).

ตัวกรองลดตัวอย่างเช่น

เป็นเรื่องง่ายกตัวอย่างของตัวกรอง decreasing ในตัวเข้ารหัสเป็นจำนวนของชั้นเพิ่มความสามารถถูกพบบ keras convolutional autoencoder ตัวอย่างเหมือนรหัสของคุณ.

import keras
from keras import layers

input_img = keras.Input(shape=(28, 28, 1))

x = layers.Conv2D(16, (3, 3), activation='relu', padding='same')(input_img)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
x = layers.MaxPooling2D((2, 2), padding='same')(x)
x = layers.Conv2D(8, (3, 3), activation='relu', padding='same')(x)
encoded = layers.MaxPooling2D((2, 2), padding='same')(x)

Autoencoder ของซีเอ็นเอ็น-อลหรือเพิ่มตัวกรอ?

คำถาม

คำตอบที่ดีที่สุด

ตัวกรองเพิ่มตัวอย่างเช่น

ตัวกรองลดตัวอย่างเช่น

อ้างอิง

ในภาษาอื่นๆ

หน้านี้อยู่ในภาษาอื่นๆ

ดังอยู่ในนี้หมวดหมู่

ดังคำถามอยู่ในนี้หมวดหมู่