เมื่อเร็ว ๆ นี้ฉันได้เรียนรู้การเข้ารหัสอัตโนมัติ ถ้าฉันเข้าใจอย่างถูกต้อง autoencoder เป็นเครือข่ายประสาทที่เลเยอร์อินพุตเหมือนกับเลเยอร์เอาท์พุท ดังนั้นโครงข่ายประสาทเทียมจึงพยายามทำนายผลลัพธ์โดยใช้อินพุตเป็นมาตรฐานทองคำ
ประโยชน์ของรุ่นนี้คืออะไร? อะไรคือประโยชน์ของการพยายามสร้างองค์ประกอบเอาท์พุทใหม่ทำให้มีความเท่าเทียมกับองค์ประกอบอินพุตมากที่สุด เหตุใดจึงควรใช้เครื่องจักรทั้งหมดนี้เพื่อไปยังจุดเริ่มต้นเดียวกัน
คำตอบ:
ตัวเข้ารหัสอัตโนมัติมีเลเยอร์อินพุต, เลเยอร์ที่ซ่อนอยู่และเลเยอร์เอาท์พุท อินพุตถูกบังคับให้เหมือนกับเอาต์พุตดังนั้นเลเยอร์ที่ซ่อนอยู่ที่เราสนใจ
เลเยอร์ที่ซ่อนอยู่นั้นเป็นรูปแบบการเข้ารหัสของอินพุต "เป้าหมายของการเข้ารหัสอัตโนมัติคือการเรียนรู้การเป็นตัวแทนการบีบอัดแบบกระจาย (การเข้ารหัส) สำหรับชุดข้อมูล" หากอินพุตเป็นเวกเตอร์ 100 มิติและคุณมี 60 เซลล์ประสาทในเลเยอร์ที่ซ่อนอยู่อัลกอริทึมตัวเข้ารหัสอัตโนมัติจะทำซ้ำอินพุตเป็นเวกเตอร์ 100 มิติในชั้นผลลัพธ์ในกระบวนการให้เวกเตอร์ 60 มิติที่เข้ารหัสอินพุตของคุณ .
ดังนั้นวัตถุประสงค์ของการเข้ารหัสอัตโนมัติคือการลดมิติ , หมู่คนอื่น ๆ
นอกจากนี้ยังสามารถจำลองประชากรของคุณเพื่อที่เมื่อคุณป้อนเวกเตอร์ใหม่คุณสามารถตรวจสอบความแตกต่างของเอาต์พุตจากอินพุตได้ หากพวกเขา "ค่อนข้าง" เหมือนกันคุณสามารถสมมติว่าการป้อนข้อมูลตรงกับประชากร หากพวกเขา "ค่อนข้าง" ที่แตกต่างกันแล้วการป้อนข้อมูลอาจไม่ได้เป็นของประชากรที่คุณสร้างแบบจำลอง
ฉันเห็นว่ามันเป็น "ถดถอยโดยเครือข่ายประสาท" ที่คุณพยายามที่จะมีฟังก์ชั่นอธิบายข้อมูลของคุณ: เอาท์พุทมันเป็นเช่นเดียวกับการป้อนข้อมูล
บางทีรูปภาพเหล่านี้อาจทำให้คุณมีสัญชาตญาณ ดังที่ผู้แสดงความคิดเห็นข้างต้นกล่าวว่าตัวเข้ารหัสอัตโนมัติพยายามดึงคุณลักษณะระดับสูงบางอย่างออกมาจากตัวอย่างการฝึกอบรม คุณอาจเห็นว่าอัลกอริทึมการพยากรณ์โรคถูกใช้เพื่อฝึกแต่ละระดับที่ซ่อนแยกต่างหากสำหรับ NN ลึกในภาพที่สอง
รูปภาพนำมาจากวิกิพีเดียภาษารัสเซีย