自动编码器—深度学习比特#1
自动编码器—深度学习比特#1
原文：https://medium.com/hackernoon/autoencoders-deep-learning-bits-1-11731e200694
特色:数据压缩、图像重建和分割(附实例！)
在“深度学习 bits ”系列中，我们将而不是看到如何像我们在a . I . Odyssey中所做的那样，端到端地使用深度学习来解决复杂问题。 我们更愿意看看不同的技术，以及一些例子和应用。
如果你喜欢人工智能，一定要去 订阅时事通讯 来接收关于文章和更多的更新！
介绍
什么是自动编码器？
神经网络以各种形状和大小存在，并且通常以它们的输入和输出数据类型来表征。例如，使用卷积神经网络构建图像分类器。它们将图像作为输入，并输出类别的概率分布。
自动编码器(AE) 是一类神经网络，其**输入与输出相同** 。它们的工作原理是将输入压缩成一个潜在空间表示，*然后从这个表示中重建输出。
*我们将看到如何使用输入的修改版本会更加有趣
Simple Autoencoder architecture — The input is compressed and then reconstructed
卷积自动编码器
自动编码器真正流行的用途是将它们应用于图像。的诀窍就是用卷积层代替全连接层。这些图层与合并图层一起，将输入从宽和薄(假设 100 x 100 px，3 个通道— RGB)转换为窄和厚。这有助于网络从图像中提取视觉特征，从而获得更加准确的潜在空间表示。重建过程使用上采样和卷积。
由此产生的网络被称为卷积自动编码器 ( CAE )。
Convolutional Autoencoder architecture — It maps a wide and thin input space to narrow and thick latent space
重建质量
输入图像的重建通常是模糊和低质量的。这是压缩的结果，在此期间丢失了一些信息。
The CAE is trained to reconstruct its input
The reconstructed image is blurry
CAEs 的使用
示例 1:超基本图像重建
卷积自动编码器可以用于重建。例如，他们可以学习从图片中去除噪声，或者重建丢失的部分。
为此，我们不使用相同的图像作为输入和输出，而是使用噪声版本作为输入和干净版本作为输出。通过这个过程，网络学会填补图像中的空白。
让我们看看 CAE 能做什么来替换眼睛图像的一部分。假设有一个十字准线，我们想移除它。我们可以手动创建数据集，这非常方便。
The CAE is trained to remove the crosshair
Even though it is blurry, the reconstructed input has no crosshair left
*现在我们的自动编码器已经训练好了，我们可以用它来移除我们从未见过的眼睛*图片上的十字准线！
示例 2:超基本图像彩色化
在本例中，CAE 将学习将从圆形和正方形的图像映射到同一图像，但是圆形被着色为红色，而正方形被着色为蓝色。
The CAE is trained to colorize the image
Even though the reconstruction is blurry, the color are mostly right
CAE 在给图像的右边部分上色上做得很好。据了解圆圈为红色方形为蓝色为。紫色来自蓝色和红色的混合，网络在圆形和方形之间犹豫不决。
现在我们的 autoencoder 已经训练好了，我们可以用它来给我们从未见过的**的图片上色！
高级应用
上面的例子只是概念的证明，用来展示卷积自动编码器能做什么。
更令人兴奋的应用包括全图像彩色化、潜在空间聚类，或者生成更高分辨率的图像。后者通过使用低分辨率作为输入和高分辨率作为输出来获得。
Colorful Image Colorization by Richard Zhang, Phillip Isola, Alexei A. Efros
Neural Enhance by Alexjc
结论
在这篇文章中，我们看到了如何使用自动编码神经网络来压缩、重建和清理数据。获取图像作为输出是一件非常激动人心的事情，玩起来也非常有趣。
**注意: 有一个 AEs 的修改版本叫做 变分自动编码器 *，用于图像生成，不过我留着以后用。***
**如果你喜欢人工智能，一定要去 订阅时事通讯 *来接收关于文章和更多的更新！***
你可以玩那边的代码:
** [## GitHub-despisj/convolutionalautoencer:快速而肮脏的应用实例…
此时您不能执行该操作。您已使用另一个标签页或窗口登录。您已在另一个选项卡中注销，或者…
github.com](https://github.com/despoisj/ConvolutionalAutoencoder)
感谢阅读这篇文章，敬请关注！
**