为了训练去噪自动编码器,我在输入数据中构造了 x + n ,在输出数据中构造了 x ( x :原始数据, n :噪音)。学习完成后,我通过降噪自动编码器( x_test + n_test-> x_test )获得了去除噪声的数据。
然后,作为测试,我像传统的自动编码器一样,通过将输入和输出数据构造为相同的值来训练自动编码器
( x -> x )。
结果,在测试阶段,我获得了类似于降噪自动编码器的去噪数据。
为什么要通过传统的自动编码器消除噪声?
请告诉我这两个自动编码器之间的区别。
答案 0 :(得分:1)
自动编码器的目的是将高维数据(例如图像)映射为压缩形式(即隐藏表示),并从隐藏表示中构建原始图像。
一种去噪自动编码器,除了学习压缩数据(像自动编码器一样)外,它还学习去除图像中的噪声,即使输入噪声很大,它也可以表现良好。因此,去噪自动编码器比自动编码器更健壮+与标准自动编码器相比,它们从数据中学习更多的功能。
自动编码器的用途之一是为深度神经网络找到良好的初始化方法(在2000年代后期)。但是,有了良好的初始化(例如Xavier)和激活函数(例如ReLU),它们的优势就消失了。现在,它们更多地用于生成任务(例如,变分自动编码器)