Rauschen entfernen wie ein Autoencoder
Okay, du hast gerade ein autoencoder-Modell gebaut. Schauen wir mal, wie es mit einer anspruchsvolleren Aufgabe zurechtkommt.
Zuerst baust du ein Modell, das Bilder enkodiert, und prüfst mit show_encodings(), wie verschiedene Ziffern dargestellt werden. Um den Encoder zu erstellen, nutzt du deinen bereits trainierten autoencoder. Du verwendest einfach die erste Hälfte des Netzwerks, die den Eingang und den Bottleneck-Ausgang enthält. So erhältst du eine Ausgabe aus 32 Zahlen, die die kodierte Version des Eingabebildes repräsentiert.
Anschließend wendest du deinen autoencoder auf verrauschte Bilder aus MNIST an — er sollte die Störartefakte bereinigen können.
X_test_noise ist in deinem Workspace geladen. Die Ziffern in diesem verrauschten Datensatz sehen so aus:
Nutze die Stärke des Autoencoders!
Diese Übung ist Teil des Kurses
<Kurs>Einstieg ins Deep Learning mit Keras</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Build your encoder by using the first layer of your autoencoder
encoder = Sequential()
encoder.add(____.layers[____])
# Encode the noisy images and show the encodings for your favorite number [0-9]
encodings = ____.predict(____)
show_encodings(____, number = 1)