Autoencoder verstehen (Teil I)

Warum sollten wir Autoencoder verwenden und was sind die Vorteile von Autoencodern.

Wenn man sich andere Beschreibungen und Erklärungen anschaut, was Autoencoder sind, fängt man bald an, durcheinander zu kommen, warum Autoencoder so nützlich sind und warum sie versuchen, von den Eingabedaten zur Ausgabe mit minimalem Verlust zu reproduzieren.

Ich denke, dass ich die Erklärung von Autoencodern damit beginnen sollte, warum sie so nützlich sind, um die Dinge klar genug zu halten. Es gibt mehrere Hauptanwendungsfälle von Autoencodern.

Zum Beispiel:

 

1.1 Datenkompression

Autoencoder können bei der Datenkompression und der Übertragung von komprimierten Daten vielfältig eingesetzt werden. Um eine Vorstellung davon zu geben, wo Datenkompression mit Autoencodern eingesetzt werden kann, werde ich das hier kurz beschreiben, wie Autoencoder funktionieren.

Autoencoder sind eine Art von neuronalem Netzwerk, das selbstüberwacht arbeitet. In Autoencodern gibt es also drei Hauptbausteine: Encoder, Decoder und Coder oder latenter Raum.

Wie üblich füttern Sie also den Autoencoder mit den Daten, die Sie verwenden möchten, und der Encoder kodiert oder extrahiert einfach nützliche Merkmale der Eingabedaten und speichert sie im latenten Raum. Und dann macht der Decoder das Gleiche, aber in umgekehrter Reihenfolge.

1.2 Daten entrauschen

Der Qualitätsverlust von Daten (Bilder/Audio/Video) ist ein Hauptproblem bei der Datenübertragung. Aufgrund des Verbindungsstatus oder der Bandbreite können Daten wie Bild und Audio an Qualität verlieren, daher stellt sich das Problem der Datenentrauschung.

Die Entrauschung von Daten ist einer der großen Vorteile von Autoencodern,

Idealerweise möchten wir, dass unser Autoencoder empfindlich genug ist, um unsere latente Raumrepräsentation zu rekonstruieren und unempfindlich genug, um die Kodierung der Eingabedaten zu verallgemeinern.

Eine der Möglichkeiten einer solchen Methode besteht darin, die Eingabedaten zu korrumpieren, indem man den Eingabedaten zufälliges Rauschen hinzufügt und dann diese korrumpierten Daten kodiert.

2. Was sind die Autoencoder?

Autoencoder - sind der Typ der künstlichen neuronalen Netze. Autoencoder zielt darauf ab, Repräsentation für Eingangsdaten zu lernen. Zusammen mit der Reduktionsseite wird die Rekonstruktion erlernt, wobei die Rekonstruktionsseite - Dekoder versucht, die Eingangsdaten aus der vorher erlernten Repräsentation - Latent Space Representation mit minimalem Verlust zu rekonstruieren.

Normalerweise bestehen Autoencoder aus drei Teilen: Encoder - der Teil, der die Eingabeschicht und die versteckte Schicht umfasst, Bottleneck - hier werden die gelernten/komprimierten Daten gespeichert, und Decoder - der Teil, der von der versteckten Schicht ausgeht und mit der Ausgabeschicht endet.