Autoencoder自编码器

降噪自动编码器（Denoising AutoEncoder）+BERT

背景：随着科技发展。出现处理更多的高维数据，比如图像、语音。1）传统的统计学-机器学习方法：由于数据维度过高，数据单调，噪声分布广，传统的特征工程很难奏效。2）降维方法，如线性学习的PCA降维方法。但很难解决非线性问题。3）CNN：利用卷积、降采样两大手段从信号数据的特点上很好的提取出了特征。但无法处理一般的非信号数据。自动编码器：自动编码器基于这样一个事实：原始input经过编码再解码后，得到x
吹洞箫饮酒杏花下·2023-03-31 00:11

神经网络模型分类及应用,神经网络模型分类问题

目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
小浣熊的技术·2023-03-30 18:35

VAE的NLP理解（离散，没有序列性）

VariationalAuto-Encoder变分自编码器严格来说，VAE实现的是“文本重建”，它虽然也包含“编码器”和“解码器”两个部分，但和NLP中的encoder-decoder架构还是有所区别。
桂花很香,旭很美·2023-03-29 03:31

狗都能看懂的VAE笔记

文章目录自编码器普通Auto-Encoder的问题解决的方法如何运作数学细节生成模型Auto-Encoder一直是一个非常有创造性的方向。
热血厨师长·2023-03-27 07:52

SRL/Autoencoder: 如何根据既有网络层构建解码器

对输入的重构通过编码器和解码器完成。例如:obs—encoder—>statepresentation—decoder—>obs_reconstruction根据既有网络层（编码器）构建解码器时，根据编码器的变量shape确定对应的解码器output_shape.Forexample:#encoderconv1=layers.conv2d(num_filters=32,filter_size=8,
vickeex·2023-03-25 21:58

论文笔记之Deep Anomaly Detection on Attributed Networks

2)通过autoencoder来重构originaldata从而检测出异常节点。文中指出网络中
小弦弦喵喵喵·2023-03-22 09:07

Sklearn 与 TensorFlow 机器学习实用指南

神经网络与深度学习（解决复杂问题）九、启动并运行TensorFlow十、人工神经网络介绍十一、训练深层神经网络十二、设备和服务器上的分布式TensorFlow十三、卷积神经网络十四、循环神经网络十五、自编码器十六
天线嘟嘟茄·2023-03-17 23:08

deep auto-stacked encoder neural network pytorch实现

autoencoder分类https://blog.csdn.net/abcd2106816/article/details/92799052https://blog.csdn.net/h__ang/article
小铭同学奥利给·2023-03-17 04:01

Pytorch实现变分自编码器（VAE）

1.概念及原理变分自编码器是自编码器的变种，是一种生成模型。
爱玩电动的阿伟·2023-03-15 09:00

Adversarial Autoencoder相关问题

前言简述：因为盖楼失败导致代码跑不出来，直接借用了别人的代码，发现问题更多，于是踏入了解决环境配置的不归路。目前决定先挖坑，记录下来，以备日后使用。原始目标：AdversarialAutoencoder论文学习+代码实现遇到的问题：下载了两份代码（来源不同），但是都跑不出来，问题各异。问题1（解决）代码来源：代码1问题描述：执行代码后python返回错误python错误信息：‘TypeError:
填坑组长·2023-03-14 21:09

新型掩码自编码器 AdaMAE，自适应采样

出品人：Towhee技术团队王翔宇、顾梦佳MaskedAutoencoders(MAEs)通过从可见数据的token重建带掩码的输入数据，学习图像、文本、音频、视频等的通用表征。当前的视频MAE方法依赖于基于随机补丁、通道、或基于视频帧的屏蔽策略来选择这些token。AdaMAE在此基础上提出一种端到端可训练的自适应掩码策略。它从高时空信息区域采样更多的token，实现了遮盖率高达95%的toke
·2023-02-22 15:39

论文笔记：Precomputed Real-Time Texture Synthesis with Markovian Generative Adversarial Networks

2.合成图片两种方式：1）生成全图的模型，效果不错但只对小图work,保真度fidelty低，一般用autoencoder2）马尔科夫模型，同时生成texture。可以捕获局部patch的统计信息。
John2King·2023-02-17 00:08

神经网络入门必做项目【浅留个脚印】

知乎上看到一个神经网络入门必做项目：1、使用Python实现深度神经网络2、神经网络实现手写字符识别系统3、使用卷积神经网络进行图片分类4、神经网络实现人脸识别任务5、基于无监督学习的自编码器实现6、自联想器的
霉霉屁·2023-02-07 09:19

[Python人工智能] 三十九.VS Code配置Python编程和Keras环境及手写数字识别（基础篇）

前一篇文章利用Keras构建无监督学习Autoencoder模型并实现聚类分析。
Eastmount·2023-02-07 07:34

变分贝叶斯自编码器笔记

变分贝叶斯自编码器笔记1.问题情境数据集X={x(i)}i=1N\mathbf{X}={\{\mathbf{x}^{(i)}}\}_{i=1}^NX={x(i)}i=1N是随机变量x\mathbf{x}
会飞的鱼chelmx·2023-02-06 12:34

【深度学习基础6】自编码器及其变体

一、Autoencoder基础1.基本概念自编码器是一类特殊的前馈神经网络，Encodes输入得到隐含表示h，Decodes以h作为输入。
Emiliano Martínez·2023-02-06 07:38

ELECTRA：类似GAN的预训练语言模型

Pre-trainingTextEncodersasDiscriminatorsRatherThanGenerators论文链接：https://arxiv.org/abs/2003.10555论文来源：ICLR2020一、概述目前的SOTA语言表示学习方法可以看做是在学习一个去噪自编码器
酷酷的群·2023-02-06 01:48

Auto-encoder和Variational auto-encoder（自编码器和变分自编码器）

问题经常用于数据集预处理进行数据降维或者特征的提取某些数据集使用时需要变为计算机能够更好处理的形式，需要先进行预处理，我们希望预处理后的数据能够最大保留原数据集信息，并且使最后的编码信息能够最大还原原数据，过程包含encoder和decode自编码器其损失函数则定义为重建输出与原始输入之间的均方差
歌者And贰向箔·2023-02-06 00:39

变分自编码器 Variational AutoEncoders

变分自编码器（VariationalAutoEncoders，VAEs）是一种深度潜变量表示学习模型。其已经被用于图像生成，并且在半监督学习上取得目前最好（state-of-the-art）的性能。
老泽征尔·2023-02-06 00:09

变分自编码器（VAE，Variational Auto-Encoder）

变分自编码器（Variationalauto-encoder，VAE）是一类重要的生成模型（GenerativeModel）除了VAEs，还有一类重要的生成模型GANsVAE跟GAN比较，目标基本是一致的
u013250861·2023-02-06 00:09

Denoising Variational Auto-Encoder 降噪变分自编码器

降噪变分自编码器（DenoisingVAE），是将DenoisingCriterion和VAE结合在一起的一种自编码器。
jinTester·2023-02-06 00:38

变分自编码器（Variational Auto Encoder , VAE）【质量提升2.0】【VAE】

变分自编码器（VariationalAutoEncoder,VAE）【质量提升2.0】【VAE】文章目录变分自编码器（VariationalAutoEncoder,VAE）【质量提升2.0】【VAE】一
小白的努力探索·2023-02-06 00:08

笔记-变分自编码器（Variational Auto Encoder，VAE）

从大数据时代——>人工智能，生活中各场景下的大数据问题都能用大数据+人工智能算法的配方进行求解。诸如分类、回归等有监督学习问题都得到了很好的解决，但监督学习需要大量标注数据，这一限制使得很多场景无法依靠人工智能的红利。因此，无监督学习正慢慢成为研究热点。VAE便是其中的典型代表。VAE的设计结构具有严谨的数学理论指导，粗略看了一遍，没有太理解，在此mark住，以后有需要再回来学习。链接如下：【Le
ZSYGOOOD·2023-02-06 00:08

对比学习介绍Contrastive Learning

1.无监督学习分类生成式方法：以自编码器为代表，主要关注pixellabel的loss。
Janie.Wei·2023-02-05 08:15

正则自编码器之去噪自编码器

图1.自编码器的一般结构传统自编码器通过最小化如下目标：(公式1)公式1中L是一个损失函数，惩罚g(f(x))与x的差异，如它们彼此差异的L2范数。若自编码器容量过大，则其将学到一个毫无意义的恒等式。
罗辑罗辑·2023-02-04 17:16

堆叠稀疏自编码器SSAE

稀疏自编码器自编码器通过将输入信息作为学习目标，对输入信息进行表征学习。通过稀疏性参数ρ\rhoρ对自编码器隐层节点进行稀疏性约束，则构成稀疏自编码器。
Poppy679·2023-02-02 15:50

数据分析-深度学习-神经网络

目录前言感知机多层感知机(MLP)卷积神经网络（VGG/GoogleNet/AlexNet/ResNet）循环神经网络（RNN）自编码器（Autoencoder）生成对抗网络（GAN）前言近些年随着大规模高质量标注数据集的出现
ITLiu_JH·2023-02-02 12:45

神经网络架构模型大全图,神经网络模型架构的

目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2023-02-02 10:40

神经网络模型应用实例,神经网络模型数学建模

目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2023-02-02 10:38

image 降维

AutoZOOM使用卷积AutoEncoder,训练时用不同训练集;AutoEncoder的网络结构:Qeba:Query-efficientboundary-basedblackboxattack对比了三种降维方法
OdayCollector·2023-02-01 14:18

数据分析-深度学习Pytorch Day12

文章目录一、自编码器Auto-Encoders1.1、回顾之前的知识1.2、无监督学习1.3、Auto-Encoders中lossfunction如何设计1.3.1、PCA和Auto-encoder对比二
小浩码出未来！·2023-02-01 12:14

pytorch 笔记：VAE 变分自编码器

1导入库importtorchimporttorchvisionfromtorchimportnnfromtorchimportoptimimporttorch.nn.functionalasFfromtorch.autogradimportVariablefromtorch.utils.dataimportDataLoaderfromtorchvisionimporttransformsfrom
UQI-LIUWJ·2023-02-01 12:07

GAN生成对抗网络

1.4GAN的网络结构示意图1.5数学描述1.6原始GAN-手写数字图像生成代码2.常见的GAN2.1DCGAN2.1.1DCGAN代码：2.2CGAN2.2.1条件GAN的代码：2.3VAE-GAN自编码器
平行世界里的我·2023-02-01 10:58

深度学习论文笔记

语音情感识别、人工神经网络，深度学习神经网络发展历程介绍2.语音情感识别的基本理论3.人工神经网络4.深度学习神经网络基本理论1.语音情感识别、人工神经网络，深度学习神经网络发展历程介绍深度学习常用模型：自编码器
weixin_30730053·2023-02-01 09:30

Auto-Encoder和自监督学习

视频链接：第八节2021-自编码器(Auto-encoder)(上)–基本概念_哔哩哔哩_bilibili参考博客：【机器学习】李宏毅——AE自编码器(Auto-encoder)_FavoriteStar
捂好小马甲·2023-01-31 20:25

基于lstm，自编码器auto-encode，时空密度聚类st-dbscan做异常检测 附完整代码

由时间空间成对组成的轨迹序列，通过循环神经网络，自编码器，时空密度聚类完成异常检测1.rnn wordembedding预训练时空点词向量，通过rnn预测下一个时空点的概率分布，计算和实际概率分布的kl
甜辣uu·2023-01-31 14:30

基于神经网络的图像分类,图像识别神经网络模型

目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2023-01-30 14:09

神经网络与卷积神经网络,卷积神经网络运用

目前经常使用的深度神经网络模型主要有卷积神经网络(CNN)、递归神经网络(RNN)、深信度网络(DBN)、深度自动编码器(AutoEncoder)和生成对抗网络(GAN)等。
普通网友·2023-01-30 14:37

Continuous Semantic Topic Embedding Model Using Variational Autoencoder论文阅读

该文提出了一种连续语义主题嵌入模型（CSTEM），该模型利用主题与词之间的连续语义距离函数来寻找文档中潜在的主题变量。语义距离可以用欧氏空间上任何对称的钟形几何距离函数来表示，本文采用马氏距离来表示。为了使语义距离更恰当地执行，我们新为每个单词引入了一个额外的模型参数，从这个距离中去掉全局因子，表明不管主题如何，它发生的可能性有多大。这无疑改善了以往的连续词嵌入主题模型中使用的高斯分布无法正确解释
Cry_Cry00·2023-01-30 07:20

深度学习在图像压缩领域中的应用

框架包含自编码器、量化结构、熵编码和率-失真优化等环节，由卷积层和GeneralizedNormalization（GDN）激活函数组成的自编码器对图像进行降维，降低图像的空间维度；量化结构中添加随机误差
ZZX-研一小学僧·2023-01-29 17:56

图像生成

经典网络：图像生成的深度学习工具是生成对抗网络（GAN）用传统方法实现不了变分自编码器是基础：GAN-》CGAN-》DC-GAN->W-GANSRGAN为什么那些大牛能够修改一些网络结构，因为他们对深度学习之前的图像处理很理解
周小天..·2023-01-29 14:05

用自编码器实现信用卡数据集的异常检测(详细)，Pytorch版本

1.自动编码器(Autoencoder)自动编码器(autoencoder)是神经网络的一种，该网络可以看作由两部分组成：一个编码器和一个生成重构的解码器)。传统上，自动编码器被用于降维或特征学习。
HN--hu·2023-01-29 11:36

【PyTorch】变分自编码器/Variational Autoencoder（VAE）

1模型介绍变分自编码器（variationalautoencoder，VAE）的原理介绍：VAE将经过神经网络编码后的隐藏层假设为一个标准的高斯分布，然后再从这个分布中采样一个特征，再用这个特征进行解码
洌泉_就这样吧·2023-01-29 11:04

【Pytorch项目实战】之生成式网络：编码器-解码器、自编码器AE、变分自编码器VAE、生成式对抗网络GAN

文章目录生成式网络-生成合成图像算法一：编码器-解码器算法二：自编码器（Auto-Encoder，AE）算法三：变分自编码器（VariationalAutoEncoder，VAE）算法四：生成式对抗网络
胖墩会武术·2023-01-29 11:02

【第一周】深度学习基础

.视频学习1.1绪论从专家系统到机器学习从传统机器学习到深度学习深度学习的能与不能1.2深度学习概述浅层神经网络：生物神经元到单层感知器，多层感知器，反向传播和梯度消失神经网络到深度学习：逐层预训练，自编码器和受限玻尔兹曼机附
Hekiiu·2023-01-29 09:00

降维

PCA、LDA、RS等，甚至在过程中还可以用AutoEncoder。降维或许会带来有损压缩，但是适当的损失能够提高时空效率。当然，仍然需要审慎选择，避免过度失真。
早睡早起2019·2023-01-29 05:33

forward() missing 1 required positional argument: ‘indices‘错误解决

在自编码器中，进行上池化操作时报了forward()missing1requiredpositionalargument:'indices’的错误。
@秋野·2023-01-28 14:06

[Deeplearning4j应用教程09]_基于DL4J的自动编码器

基于DL4J的自动编码器一、简介二、自编码器的工作流程三、基于DL4J的自编码器实现3.1、导入需要的包3.2、堆叠式自动编码器3.3、使用MNIST迭代器3.4、无监督训练3.5、评估模型3.6、结果可视化一
AI_DL_Developer·2023-01-27 13:55

对抗样本学习笔记:Adversarial Examples: Attacks and Defenses for Deep Learning

对抗防御分类二、论文细节知识点1.hessian矩阵（表一）：hessian矩阵实际上就是函数的二阶导矩阵Hessian矩阵在机器学习中的应用(拓展)：即hessian矩阵能来找极值点2.RNN简单介绍，3.自编码器简单介绍
code-dream·2023-01-26 15:02

【深度学习】基于深度学习Autoencoder的信用卡欺诈异常检测，效果非常牛逼

信用卡欺诈数据集，在孤立森林上能做到26%的top1000准确率，但是在Autoencoder算法上，最高做到了33.6%，但是这个数据很不稳定，有时候只有25%左右，但是至少这个模型潜力巨大，需要更多的试验
风度78·2023-01-26 02:06
上一页 3 4 5 6 7 8 9 10 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他