Autoencoders شبکه های عصبی هستند که برای یادگیری بدون نظارت برای استخراج ویژگی های معنی دار از داده ها استفاده می شوند، آنها در کاهش ابعاد و گرفتن الگوهای ضروری بدون داده برچسب موثر هستند.این مقاله توضیح می دهد که چگونه برای ساخت خودکار برای استخراج ویژگی ها.

درک Autoencoders

یک autoencoder شامل یک رمزگذار و یک رمزگشایی کننده است.کددار اطلاعات ورودی را به یک نمایندگی پایین تر فشرده می کند، به نام فضای دیرین.The رمزگشایی داده های اصلی را از این فرم فشرده بازسازی می کند. هدف این است که تفاوت بین ورودی و خروجی را در طول آموزش به حداقل برساند.

ساخت یک Autoencoder

برای ساخت یک autoencoder، معماری را با لایه های ورودی، پنهان و خروجی تعریف کنید.کد ابعاد داده را کاهش می دهد، در حالی که تلاش های رمزگشایی برای بازسازی ورودی اصلی است.استفاده از توابع فعال سازی مانند ReLU یا sigmoid برای معرفی غیر خطی.

آموزش خودکار کدر با استفاده از مجموعه داده ها، بهینه سازی یک تابع از دست دادن مانند خطای مربعی، هنگامی که آموزش دیده است، بخش کد کننده می تواند برای استخراج ویژگی های داده های جدید استفاده شود که می تواند در وظایف یادگیری ماشین های مختلف اعمال شود.

برنامه های Autoencoders

Autoencoders در چندین زمینه استفاده می شود، از جمله:

  • کاهش ابعاد
  • تشخیص Anomaly
  • عدم استفاده از داده ها
  • استخراج مناسب برای طبقه بندی