Tensorflow实战：自编码器(Autoencoder)详解与应用
本文介绍了自编码器（Autoencoder），一种神经网络形式，用于数据的无监督学习和降维。通过编码器和解码器的配合，自编码器能在保持重构误差最小的情况下，提取输入数据的特征。文章详细阐述了编码器和解码器的作用，并探讨了其在图像降维、生成和深度学习模型构建中的应用。
三篇文章掌握Autoencoder：
1. Tensorflow学习之Autoencoder（一）
2. Tensorflow学习之Autoencoder（二）图片降维并还原图片
3. Tensorflow学习之Autoencoder（三）图片降维的结果展示
1. 什么是自编码器（Autoencoder）?
自编码器是一种神经网络的形式。
人工神经网络是一种具有层次结构的模型，对于一个给定的神经网络，假设它的输入和输出是相同的，在不断调整参数的过程中，得到了每层的参数值，自然地，就得到了输入的抽象表示，每层代表一种抽象表示。这些抽象表示就是提取到的特征。自动编码器就是一种尽可能让输入复现的神经网络。其具体过程如图1所示：
最低0.47元/天 解锁文章
扫一扫
2万+
到【灌水乐园】发言
