Vor kurzem habe ich Autoencoder studiert. Wenn ich richtig verstanden habe, ist ein Autoencoder ein neuronales Netzwerk, bei dem die Eingangsschicht mit der Ausgangsschicht identisch ist. Das neuronale Netzwerk versucht also, die Ausgabe unter Verwendung der Eingabe als goldenen Standard vorherzusagen.
Was ist der Nutzen dieses Modells? Was sind die Vorteile des Versuchs, einige Ausgabeelemente so zu rekonstruieren, dass sie den Eingabeelementen so ähnlich wie möglich sind? Warum sollte man all diese Maschinen benutzen, um zum selben Ausgangspunkt zu gelangen?
Es kann auch Ihre Grundgesamtheit modellieren, sodass Sie bei der Eingabe eines neuen Vektors überprüfen können, wie unterschiedlich die Ausgabe von der Eingabe ist. Wenn sie "ziemlich" gleich sind, können Sie davon ausgehen, dass die Eingabe mit der Grundgesamtheit übereinstimmt. Wenn sie sich "ziemlich" unterscheiden, gehört die Eingabe wahrscheinlich nicht zu der Population, die Sie modelliert haben.
Ich sehe es als eine Art "Regression durch neuronale Netze", bei der Sie versuchen, eine Funktion zu haben, die Ihre Daten beschreibt: Ihre Ausgabe ist dieselbe wie die Eingabe.
quelle
Vielleicht vermitteln Ihnen diese Bilder eine gewisse Intuition. Wie bereits erwähnt, versuchen die genannten Auto-Encoder, einige wichtige Merkmale aus den Trainingsbeispielen zu extrahieren. Sie können sehen, wie der Prognosealgorithmus verwendet wird, um jede verborgene Ebene separat für die tiefe NN im zweiten Bild zu trainieren.
Die Bilder stammen aus der russischen Wikipedia.
quelle