1. Učit se
    2. /
  2. Kurzy
    3. /
  3. Úvod do hlubokého učení s Keras
Connected

Cvičení

Vytvoření autoencoderu

Autoencodery mají řadu zajímavých využití – například detekci anomálií nebo odstraňování šumu z obrázků. Jejich cílem je produkovat výstup totožný se vstupem. Vstupní data jsou nejprve komprimována do prostoru s nižší dimenzí – zakódována. Model se pak naučí je dekódovat zpět do původní podoby.

Budeš kódovat a dekódovat dataset MNIST ručně psaných číslic. Skrytá vrstva zakóduje obrázek do 32rozměrné reprezentace, přičemž původní obrázek má 784 pixelů (28 x 28). Autoencoder se v podstatě naučí převést původní obrázek o 784 pixelech na komprimovaný obraz o 32 pixelech a poté využít tuto zakódovanou reprezentaci k obnovení původního obrázku s 784 pixely.

Model Sequential a vrstvy Dense jsou připraveny k použití.

Pojďme autoencoder sestavit!

Pokyny

100 XP
  • Vytvoř model Sequential.
  • Přidej hustou vrstvu s takovým počtem neuronů, jaký odpovídá dimenzím zakódovaného obrázku, a nastav input_shape na počet pixelů původního obrázku.
  • Přidej výstupní vrstvu s takovým počtem neuronů, jaký odpovídá počtu pixelů vstupního obrázku.
  • Zkompiluj svůj autoencoder s optimalizátorem adadelta a ztrátovou funkcí binary_crossentropy, pak ho shrň.