机器学习笔记 - 自编码器（Autoencoder）

最新推荐文章于 2025-11-24 11:51:29 发布

晨曦之光，优美芝麻

最新推荐文章于 2025-11-24 11:51:29 发布

阅读量174

点赞数

CC 4.0 BY-SA版权

文章标签：机器学习笔记人工智能

本文链接：https://blog.youkuaiyun.com/syntax_api860/article/details/132842424

机器学习-深度学习专栏收录该内容

146 篇文章 ¥59.90 ¥99.00

订阅专栏

本文介绍了自编码器，一种无监督学习算法，用于数据降维、特征提取和生成模型。自编码器通过编码器和解码器学习输入数据的低维表示，以最小化重构误差。文中提供了简单的自编码器实现示例，强调了超参数调整和潜在空间采样在生成模型中的应用。

机器学习笔记 - 自编码器（Autoencoder）

自编码器是一种无监督学习算法，常用于数据降维、特征提取和生成模型等任务。本文将介绍自编码器的原理和实现，并提供相应的源代码。

自编码器的基本原理是将输入数据通过编码器映射到一个低维潜在空间，然后再通过解码器将潜在空间中的表示重构为与输入数据相似的输出。自编码器的目标是最小化重构误差，使得解码器能够恢复出输入数据的高质量表示。

以下是一个简单的自编码器的实现示例：

import numpy as np
import tensorflow as tf

# 定义自编码器的参数
input_dim = 784  # 输入维度，MNIST数据集的图像大小为28x28，展开后为784维向量
hidden_dim = 128  # 隐层维度，自编码

了解本专栏

订阅专栏解锁全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

晨曦之光，优美芝麻

关注关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

订阅专栏

机器学习笔记 - 自动编码器autoencoder

学以致用知行合一

03-27

1万+

自编码器是开发无监督学习模型的主要方式之一。但什么是自动编码器？简而言之，自动编码器通过接收数据、压缩和编码数据，然后从编码表示中重构数据来进行操作。对模型进行训练，直到损失最小化并且尽可能接近地再现数据。通过这个过程，自动编码器可以学习数据的重要特征。自动编码器是由多个层组成的神经网络。自动编码器的定义方面是输入层包含与输出层一样多的信息。输入层和输出层具有完全相同数量的单元的原因是自动编码器旨在复制输入数据。然后分析数据并以无监督方式重建数据后输出数据副本。

机器学习笔记 - 构建推荐系统(6) 用于协同过滤的 6 种自动编码器

学以致用知行合一

07-26

1038

自动编码器是一种适用于无监督学习任务的神经网络，包括生成建模、降维和高效编码。它在学习计算机视觉、语音识别和语言建模等许多领域的底层特征表示方面表现出了优越性。关于更详细的自动编码器以及相关分类，可以参考下面链接。机器学习笔记-自动编码器autoencoder自编码器是开发无监督学习模型的主要方式之一。但什么是自动编码器？简而言之，自动编码器通过接收数据、压缩和编码数据，然后从编码表示中重构数据来进行操作。对模型进行训练，直到损失最小化并且尽可能接近地再现数据。...

参与评论您还未登录，请先登录后发表或查看评论

自编码器

Flamingo的博客

11-19

664

文章目录自编码器稀疏自编码器去噪自编码器变分自编码器 自编码器 在现实世界中，我们无时无刻的接受着大量的数据，但是这些数据中有用的部分仅仅用一个低维向量表示就够用了，而不是像看起来像数据本身那样复杂。机器学习中有很多技术可以将数据压缩到低维空间中，自编码器就是其中的一种。 自编码器是神经网络的一种，经过训练后能尝试将输出复制到输出。自编码器内部有一个隐藏层h，可以产生编码表示输入。如下图所示，该网络可以看作由两部分组成：一个由函数h=f(x)表示的编码器和一个生成重构的解码器r=g(h)。如果一个编码器

深度自编码器在推荐中的应用

Mlooker的博客

05-16

7648

出品：贪心科技（公众号：贪心科技）作者：Artem Oppermann前言协同过滤是推荐系统通过收集来自许多其他用户的品味或偏好来预测某个特定用户的兴趣所使用的一种方法。协同过滤技术的基本假设是，如果用户A与B在某件事上有相同的品味或意见，那么A就更有可能在不同的问题上得出与B相同的意见。通过本文你将学到：如何预测某个用户对一部电影的评价，这个预测将会基于这个用户的偏好以及其他用户对该部电影以及其...

自编码器AutoEncoder（一）

Dongjiuqing的博客

12-11

1191

自编码器AutoEncoder 我们先构架一个神经网络模型，这个模型是收集一张图片，接受这个图片后，神经网络给这个图片压缩，最后再从压缩的图片中还原，是不是感觉有点抽象，其实我也觉得这样的解释不太恰当，那就让我们更加的具体一点来深入了解下这个自编码。现在假设我们刚才构建的模型是这个样子，我们可以从图片中看出来，我们刚才上传给自编码模型的图片实质上是经过压缩以后再进行解压的一个过程。...

Auto-Encoder --李宏毅机器学习笔记

knofrab的博客

04-13

1018

Auto-Encoder（自编码器）是一种典型的Encoder和将输入数据压缩为低维表示Decoder从低维表示重建原始数据最小化输入与输出之间的重建误差本质是“重建（Reconstruction）”，即让输出尽可能还原原始输入Auto-Encoder 只依赖无标签数据，典型的，属于 Pre-Training 方法的一种与 BERT、GPT 相比：BERT 做填空题、GPT 做文本续写，而 Auto-Encoder 做输入重建。尽管方式不同，但目标一致：从无标签数据中学习有效表示。

【机器学习】VAE变分自编码器学习笔记

shuaixio的博客

06-30

7587

VAE，变分自编码器，设计思路，VAE的原理与公式推导，对VAE模型的理解

【学习笔记(0)】Variational Autoencoder 变分自编码器

qq_42901861的博客

12-30

1008

本文是VAE的学习笔记，是阅读多个网站的intro时记录的阅读笔记。 Variational Autoencoders Explained -https://anotherdatum.com/vae.html Generative Modeling: What is a Variational Autoencoder (VAE)? - https://www.mlq.ai/what-is-a-variational-autoencoder/ 目录Ⅰ Variational Autoencoders Ex

Auto-encoder（自编码器）的原理及最新的技术应用（李宏毅视频课整理和总结）

双鸭山•克里菲斯•北方孤星之堕

08-20

8162

文章目录0 前言1 Auto-encoder1.1 PCA1.2 Deep Auto-encoder2 Some Applications2.1 Text Retrieval（文字检索）2.2 Similar Image Search（相似图片搜索）2.3 Pre-training（预训练）3 De-noising Auto-encoder（加噪的自编码器）4 Auto-encoder for CNN4.1 Unpooling（反池化）4.2 Deconvolution（反卷积）4.3 Generate I

深度学习：生成对抗网络（GAN）详解

sweet_ran的博客

11-23

762

摘要：本文深入解析生成对抗网络（Generative Adversarial Network, GAN）的核心原理、训练机制与实际应用。通过类比“师生博弈”模型，直观理解 GAN 的对抗思想，并结合数学公式揭示其优化本质。

【机器学习基础】Attention in Transformers：注意力机制

安如衫的刷怪之路

11-23

1170

原始 Transformer 结构采用 Encoder-Decoder，Encoder 负责上下文建模，Decoder 通过自回归生成输出，二者通过 Cross-Attention 相连。文章重点拆解 Self-Attention 的 Q、K、V 机制：用点积计算相关性并经缩放与 Softmax 得到权重，再对 V 加权求和得到上下文化表示；解释了为何需要独立的 Q/K/V 投影以打破对称、解耦语义并做信息过滤。

生成式AI开发入门：Python实现GAN与Diffusion模型

我是二川兄，对Web开发、GIS开发、3D模型、机器学习、面试技巧等方面都有一些涉猎~ 欢迎您加入技术交流圈！你可以在我的文章末尾找到我~

11-23

1181

# 生成式AI开发入门：Python实现GAN与Diffusion模型

使用机器学习检测 DGA 域名 — SVM

好记性不如烂笔头

11-23

201

DGA 是 Domain Generation Algorithm（域名生成算法）的简称，是指使用主控端和被控端协商好的一种基于随机算法的域名生成协议，简单来说就是生成一个随机字符串来作为域名并进行注册，将其作为 C&C 服务器的域名并不定时经常性更换。由于具备强随机性，短时效性，通过 DGA 生成的域名往往在查杀上更具被难度。

基于学习的人工智能（3）机器学习基本框架

最新发布

致力于大数据+AI 的应用创新。

11-24

693

机器学习通过算法从数据中获取经验，改进初始模型以更高效地完成任务。与基于知识的方法不同，机器学习不直接编程机器行为，而是设定目标让机器自主学习。其框架包含五个要素：目标（如分类、预测）、模型、算法、数据和知识。目标需转化为数学形式的损失函数（如分类错误率、预测误差），函数值越低表明性能越好。例如分类任务用错误比例作损失函数，预测任务用预测值与实际值的差距衡量准确性。

【2025版李宏毅机器学习系列课程】CH2 机器学习 Training Guide

weixin_63466958的博客

11-22

698

本文探讨了机器学习中的关键优化问题与解决方案。首先分析了模型偏差（model bias）与优化问题的区分方法，建议从浅层网络开始逐步验证。其次讨论了过拟合问题及应对策略，包括数据增强、参数共享和正则化等方法。在模型选择方面，强调交叉验证比直接测试更可靠，并介绍了n折交叉验证技术。针对梯度下降中的临界点问题，解释了如何通过海森矩阵判断局部极小值和鞍点。最后对比了不同批量大小的优劣，指出小批量训练虽然噪声更大但能带来更好的泛化性能。整体呈现了机器学习模型优化中的权衡策略与技术要点。

氮化镓（GaN）：降低氮化镓 PN 结二极管的导通电阻

qq_28126171的博客

11-22

696

正向偏压下，当导通电流密度约为 1 kA/cm² 时，提取的导通电阻为 0.65 mΩ・cm²（注：原文 “mW” 为笔误，结合上下文应为 “mΩ・cm²”，即毫欧・平方厘米，比导通电阻标准单位）。这一数值被认为是镁注入 PN 结氮化镓二极管的最低导通电阻，与垂直 GaN-on-GaN 外延 PN 结二极管相当，其整流比超过 10¹²。该团队发言人斯皮里东・帕夫利迪斯（Spyridon Pavlidis）表示，这一改进通过在接触堆叠结构中整合镁沉积与退火工艺实现，使器件性能达到外延生长氮化镓二极管的水平。

更换适配python版本直接进行机器学习深度学习等相关环境配置(非仿真环境)

qq_42217078的博客

11-23

228

【机器学习】监督学习、无监督学习、半监督学习、自监督学习、弱监督学习、强化学习

Ma040713的博客

11-23

672

机器学习主要包含六种学习范式：监督学习依赖标注数据进行分类和回归；无监督学习通过聚类和降维挖掘未标注数据的隐藏模式；半监督学习结合少量标注和大量未标注数据提升泛化能力；自监督学习通过构造伪标签实现无监督预训练；弱监督学习利用不精确标签完成精细任务；强化学习通过环境交互学习最优策略。这些方法各有特点，当前主流趋势是采用自监督预训练+监督微调+强化学习对齐的组合范式，但也面临数据依赖、评估困难、能耗高等挑战。

基于Python的机器学习/数据分析环境搭建完全指南

我是小灰灰，很高兴认识你！

11-22

805

本文详细介绍了构建专业Python机器学习与数据分析环境的完整流程。推荐使用Miniconda管理Python解释器和虚拟环境，创建独立项目环境。核心内容包括：基础数据分析库和深度学习框架的安装；JupyterLab、VSCode等开发工具配置；GPU加速环境搭建；环境验证测试方法。还提供了依赖管理、镜像加速、Docker部署等高级技巧，以及常见问题解决方案。通过本指南可建立标准化、高性能的开发环境，确保机器学习项目的可复现性和高效性。