Een autoencoder bouwen

Autoencoders hebben verschillende interessante toepassingen, zoals anomaliedetectie of het verwijderen van ruis uit afbeeldingen. Ze zijn erop gericht een output te produceren die identiek is aan de input. De input wordt gecomprimeerd naar een lager-dimensionale ruimte, gecodeerd. Het model leert dit vervolgens weer decoderen naar de oorspronkelijke vorm.

Je gaat de MNIST-gegevensset met handgeschreven cijfers coderen en decoderen. De verborgen laag codeert een 32-dimensionale representatie van de afbeelding, die oorspronkelijk uit 784 pixels bestaat (28 x 28). De autoencoder leert in feite om de oorspronkelijke afbeelding van 784 pixels om te zetten naar een gecomprimeerde afbeelding van 32 pixels en leert vervolgens hoe die gecodeerde representatie te gebruiken om de oorspronkelijke afbeelding van 784 pixels terug te krijgen.

Het Sequential-model en de Dense-lagen staan klaar voor gebruik.

Laten we een autoencoder bouwen!

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

Cursus bekijken

Oefeninstructies

Maak een Sequential-model.
Voeg een dense-laag toe met evenveel neuronen als de dimensie van de gecodeerde afbeelding en input_shape gelijk aan het aantal pixels in de oorspronkelijke afbeelding.
Voeg een laatste laag toe met evenveel neuronen als pixels in de inputafbeelding.
Compileer je autoencoder met adadelta als optimizer en binary_crossentropy als loss, en geef daarna een samenvatting weer.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Start with a sequential model
autoencoder = ____

# Add a dense layer with input the original image pixels and neurons the encoded representation
autoencoder.add(____(____, input_shape=(____, ), activation="relu"))

# Add an output layer with as many neurons as the orginal image pixels
autoencoder.add(____(____, activation = "sigmoid"))

# Compile your model with adadelta
autoencoder.compile(optimizer = ____, loss = ____)

# Summarize your model structure
____

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot Deep Learning met Keras

SkillTag.level.intermediateSkillTag.label

4.8+

Begin de cursus gratis

In this first chapter, you will get introduced to neural networks, understand what kind of problems they can solve, and when to use them. You will also build several networks and save the earth by training a regression model that approximates the orbit of a meteor that is approaching us!

Exercise 1: What is Keras?Exercise 2: Describing Keras Exercise 3: Would you use deep learning?Exercise 4: Your first neural network Exercise 5: Hello nets!Exercise 6: Counting parameters Exercise 7: Build as shown!Exercise 8: Surviving a meteor strike Exercise 9: Specifying a model Exercise 10: Training Exercise 11: Predicting the orbit!

By the end of this chapter, you will know how to solve binary, multi-class, and multi-label problems with neural networks. All of this by solving problems like detecting fake dollar bills, deciding who threw which dart at a board, and building an intelligent system to water your farm. You will also be able to plot model training metrics and to stop training and save your models when they no longer improve.

Exercise 1: Binary classification Exercise 2: Exploring dollar bills Exercise 3: A binary classification model Exercise 4: Is this dollar bill fake ?Exercise 5: Multi-class classification Exercise 6: A multi-class model Exercise 7: Prepare your dataset Exercise 8: Training on dart throwers Exercise 9: Softmax predictions Exercise 10: Multi-label classification Exercise 11: An irrigation machine Exercise 12: Training with multiple labels Exercise 13: Keras callbacks Exercise 14: The history callback Exercise 15: Early stopping your model Exercise 16: A combination of callbacks

In the previous chapters, you've trained a lot of models! You will now learn how to interpret learning curves to understand your models as they train. You will also visualize the effects of activation functions, batch-sizes, and batch-normalization. Finally, you will learn how to perform automatic hyperparameter optimization to your Keras models using sklearn.

Exercise 1: Learning curves Exercise 2: Learning the digits Exercise 3: Is the model overfitting?Exercise 4: Do we need more data?Exercise 5: Activation functions Exercise 6: Different activation functions Exercise 7: Comparing activation functions Exercise 8: Comparing activation functions II Exercise 9: Batch size and batch normalization Exercise 10: Changing batch sizes Exercise 11: Batch normalizing a familiar model Exercise 12: Batch normalization effects Exercise 13: Hyperparameter tuning Exercise 14: Preparing a model for tuning Exercise 15: Tuning the model parameters Exercise 16: Training with cross-validation

It's time to get introduced to more advanced architectures! You will create an autoencoder to reconstruct noisy images, visualize convolutional neural network activations, use deep pre-trained models to classify images and learn more about recurrent neural networks and working with text as you build a network that predicts the next word in a sentence.

Exercise 1: Tensors, lagen en auto-encoders Exercise 2: Het is een stroom van tensors Exercise 3: Neurale scheiding Exercise 4: Een autoencoder bouwen

Huidige oefening

Exercise 5: Ontruisen als een autoencoder Exercise 6: Introductie tot CNN's Exercise 7: Een CNN-model bouwen Exercise 8: Kijken naar convoluties Exercise 9: Je invoerafbeelding voorbereiden Exercise 10: Een model uit de echte wereld gebruiken Exercise 11: Introductie tot LSTM's Exercise 12: Tekstvoorspelling met LSTM's Exercise 13: Bouw je LSTM-model Exercise 14: Decodeer je voorspellingen Exercise 15: Test je model!Exercise 16: Je bent klaar!