标签：DL AE 变分 编码器 学习 AutoEncoder 输入
DL之AE：自编码器AutoEncoder的简介、应用、经典案例之详细攻略
目录
1.2、稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder→对抗AutoEncoder
自编码器AutoEncoder的简介
自编码器（autoencoder, AE）是一类在半监督学习和非监督学习中使用的人工神经网络ANN，其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning） 。
自编码器包含编码器（encoder）和解码器（decoder）两部分。按学习范式，自编码器可以被分为收缩自编码器（undercomplete autoencoder）、正则自编码器（regularized autoencoder）和变分自编码器（Variational AutoEncoder, VAE），其中前两者是判别模型、后者是生成模型。按构筑类型，自编码器可以是前馈结构或递归结构的神经网络。
自编码器具有一般意义上表征学习算法的功能，被应用于降维（dimensionality reduction）和异常值检测（anomaly detection）。包含卷积层构筑的自编码器可被应用于计算机视觉问题，包括图像降噪（image denoising）、神经风格迁移（neural style transfer）等。
1、AutoEncoder发展史
1.1、1986年RBM
AutoEncoder的基本思想是利用神经网络来做无监督学习，就是把样本的输入同时作为神经网络的输入和输出。本质上是希望学习到输入样本的表示（encoding）。早期AutoEncoder的研究主要是数据过于稀疏、数据高维导致计算复杂度高。比较早用神经网络做AutoEncoder的可以追溯到80年代的BPNN和MLP以及当时Hinton推崇的RBM。后来到了2000年以后还坚持在做的只剩下Hinton的RBM了。
1.2、稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder→对抗AutoEncoder
从2000年以后，随着神经网络的快速兴起，AutoEncoder也得到快速发展，基本上有几条线：稀疏AutoEncoder、噪音容忍AutoEncoder、卷积AutoEncoder、变分AutoEncoder。最新的进展是结合对抗思想的对抗AutoEncoder。
- 稀疏AutoEncoder，在学习输入样本表示的时候可以学习到相对比较稀疏的表示结果，这在Overcomplete AutoEncoder（就是学习得到高维表示）方法中尤为重要。代表性人物包括斯坦福大学的Andrew Ng和蒙特利尔的Yoshua Bengio教授。具体方法就是在原来的损失函数中加一个控制稀疏化的正则化项，通过控制优化过程来实现。
- Denoising AutoEncoder的核心思想就是提高Encoder的鲁棒性，本质上就是避免可能的overfitting。一个办法是在输入中加入随机噪音（比如随机置0一些输入，或者随机把部分输入变为marked），这些思想后来在BERT等模型中也有广泛使用；另一个办法就是结合正则化的思想，比如在目标函数中加上eEncoder的Jacobian范数。Jacobian范数可以让学习到的特征表示更具有差异性。
- 著名研究者Jurgen Schmidhuber提出了基于卷积网络的AutoEncoder以及后来的LSTM AutoEncoder。Max Welling基于变分思想提出变分AutoEncoder方法VAE，这也是一个里程碑式的研究成果。后面很多研究者在这个工作上进行了扩展，包括info-VAE、beta-VAE和factorVAE等。
最近还有人借鉴Ian Goodfellow等人提出的对抗建模思想提出Adversarial AutoEncoder，也取得了很好的效果。这和之前的噪音容忍的AE学习也有一定呼应。除了上面的思想，就是可以把上面的各种方法stacking起来。
自编码器AutoEncoder的经典案例
1、基础案例
TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类
TF之AE：AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比
标签：DL,AE,变分,编码器,学习,AutoEncoder,输入 来源： https://blog.51cto.com/u_14217737/2906466
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。