Question

在this blog中包含的自动编码器示例中，作者构建了一个隐藏层，如下所示。

 # this is the size of our encoded representations
 encoding_dim = 32  # 32 floats -> compression of factor 24.5, assuming the input is 784 floats
 input_img = Input(shape=(784,))
 encoded = Dense(encoding_dim, activation='relu')(input_img)
 decoded = Dense(784, activation='sigmoid')(encoded)
 autoencoder = Model(input=input_img, output=decoded)

 # this model maps an input to its encoded representation
 encoder = Model(input=input_img, output=encoded)

我可以理解上面的部分是如何工作的，但我对以下部分构建解码器部分感到困惑

 # create a placeholder for an encoded (32-dimensional) input
 encoded_input = Input(shape=(encoding_dim,))
 # retrieve the last layer of the autoencoder model
 decoder_layer = autoencoder.layers[-1]
 # create the decoder model
 decoder = Model(input=encoded_input, output=decoder_layer(encoded_input))

具体而言，我认为decoder应定义为decoder = Model(input=encoded, output=decoded)。我不明白为什么我们必须引入额外的变量encoded_input。根据自动编码器模型，我们只是将编码部分解码为输出，因此解码器层的输入应为encoded。此外，如果解码器模型如上定义，为什么编码器未定义为encoder=Model(input=input_img, output=autoencoder.layers[0](input_img))？

Answer 1

encoded_input代表一个占位符，如果您只想对生成的某些数据运行解码器而不是编码器（例如，如果您正在探索编码空间），则可以使用该占位符。

关于Keras框架下自动编码器模型中的解码器层定义

1 个答案: