引言 前面三篇文章介绍了变分推断（variational inference），这篇文章将要介绍变分自编码器，但是在介绍变分自编码器前，我们先来了解一下传统的自编码器。 自编码器 自编码器（autoencoder）属于无监督学习模型（unsupervised learning ...

　　神经网络就是一种特殊的自编码器，区别在于自编码器的输出和输入是相同的，是一个自监督的过程，通过训练自编码器，得到每一层中的权重参数，自然地我们就得到了输入x的不同的表示（每一层代表一种）这些就是特征，自动编码器就是一种尽可能复现原数据的神经网络。 　　“自编码”是一种 ...

今天我们会来聊聊用神经网络如何进行非监督形式的学习. 也就是 autoencoder, 自编码. 压缩与解压 有一个神经网络, 它在做的事情是 接收一张图片, 然后 给它打码, 最后 再从打码后的图片中还原. 太抽象啦? 行, 我们再具体点. 假设刚刚那个神经网络是这样, 对应上刚刚 ...

注意：代码源自[1][2] [1] 黄文坚.TensorFlow实战.北京：电子工业出版社 [2] https://blog.csdn.net/qq_37608890/arti ...

一、自编码器：降维【无监督学习】 PCA简介：【线性】原矩阵乘以过渡矩阵W得到新的矩阵，原矩阵和新矩阵是同样的东西，只是通过W换基。 自编码： 自动编码器是一种无监督的神经网络模型，它可以学习到输入数据的隐含特征，这称为编码(coding)，同时用学习到的新特征可以重构出原始输入 ...

自监督模型 训练一个ae的encoder，就能把code和object对应起来，获得code。给定一个code，decoder就能输出对应的object。 Autoenc ...

概述 在讨论变分自编码器前，我觉得有必要先讨论清楚它与自编码器的区别是什么，它究竟是干什么用的。否则看了一堆公式也不知道变分自编码器究竟有什么用。 众所周知，自编码器是一种数据压缩方式，它把一个数据点\(x\)有损编码为低维的隐向量\(z\)，通过\(z\)可以解码重构回\(x\)。这是一个 ...

堆叠自编码器 对于很多数据来说，仅使用两层神经网络的自编码器结构还不足以获取一种好的数据表示，为了获取更好的数据表示，我们可以使用更深层的神经网络。深层神经网络作为自编码器提取的数据表示一般会更加抽象，能够更好地捕捉到数据的语义信息。在实践中经常使用逐层堆叠的方式来训练一个深层的自编码器，称为 ...