1. Nauka
    2. /
  2. Kursy
    3. /
  3. Wprowadzenie do uczenia głębokiego z Keras
Connected

ćwiczenie

Budowanie autoenkodera

Autoenkoderzy mają wiele ciekawych zastosowań – od wykrywania anomalii po usuwanie szumów z obrazów. Ich zadaniem jest odtworzenie danych wyjściowych identycznych z wejściowymi. Dane wejściowe są kompresowane do przestrzeni o niższym wymiarze – to etap kodowania. Model uczy się następnie je dekodować z powrotem do oryginalnej postaci.

Zakodujemy i zdekodujemy zbiór danych MNIST zawierający odręcznie pisane cyfry. Warstwa ukryta będzie kodować 32-wymiarową reprezentację obrazu, który pierwotnie składa się z 784 pikseli (28 x 28). Autoenkoder nauczy się zatem przekształcać oryginalny obraz o 784 pikselach w skompresowaną reprezentację 32-pikselową, a następnie odtwarzać z niej pierwotny obraz 784-pikselowy.

Model Sequential oraz warstwy Dense są już gotowe do użycia.

Zbudujmy autoenkoder!

Instrukcje

100 XP
  • Utwórz model Sequential.
  • Dodaj warstwę gęstą z liczbą neuronów równą wymiarowi zakodowanego obrazu oraz input_shape odpowiadającym liczbie pikseli w oryginalnym obrazie.
  • Dodaj warstwę końcową z liczbą neuronów równą liczbie pikseli w obrazie wejściowym.
  • Skompiluj swój autoencoder, używając optymalizatora adadelta i funkcji straty binary_crossentropy, a następnie wyświetl jego podsumowanie.