自动编码器降维 自动编码器可用于特征提取和降维。 它们也可以与受限玻尔兹曼机器结合使用深度学习应用程序，例如“深层信念网络”。 它具有“编码器”和“解码器”两个阶段，“编码器”将逐步压缩输入，在压缩过程中选择最重要的功能。 解码器与编码器相反，它可以尽可能地重新创建输入。 要求 Python 3.6及更高版本 TensorFlow 1.6.0及更高版本 脾气暴躁的 Matplotlib 执行 该实现使用MNIST数据集来重建输入。 由于MNIST图像的形状为28 * 28，因此输入为784。我们的模型将是3层，每层减少特征，并在解码器阶段重建inut， Encoder Decoder [784] -> [256] -> [128] -> [64] -> [128] -> [256] -> [784] 此实现的最

用卷积滤波器matlab代码deephyp：针对高光谱的深度学习 用于训练和使用高光谱数据的无监督自动编码器和有监督深度学习分类器的工具。 可用文档。 源代码可在上找到。 自动编码器是无监督的神经网络，可用于一系列应用，例如无监督的特征学习和降维。 可以在带标签的数据上训练有监督的深度学习分类器，以预测光谱的类别。 该存储库提供了一个名为deephyp的基于python的工具箱，其中包含针对高光谱数据而构建，训练和测试密集和卷积自动编码器以及分类神经网络的示例。 网络易于设置，并且可以使用不同的体系结构进行自定义。 也可以采用不同的培训方法。 该工具箱基于tensorflow构建。 如果您在研究中使用工具箱，请引用：本文介绍了用于训练自动编码器的光谱角（SA），光谱信息散度（SID）和平方和误差（SSE）损失函数。 如果您在研究中使用余弦谱角（CSA）损失函数，请引用： 如果您在研究中使用分类网络，请引用： 安装 可以使用pip从命令行安装工具箱的： pip install deephyp 可以使用以下方法安装依赖项： pip install -r requirements.txt 导

带火炬的自动编码器去噪 众所周知，我们从相机拍摄的照片有时不适合处理。 在该项目中，在执行诸如文本检测之类的项目时，采取了必要的步骤以实现最大的效率。 此步骤是清除图像中的噪点。 在这个项目中使用了卷积神经网络和自动编码器。 玩的很开心。 嘈杂的图片和清晰的图片 结果

压缩自动编码器的有损图像压缩 入门 开始实验的最快方法是使用在上训练的。 通过使用提供的脚本下载框架，可以构建任意数据集。 有关更多详细信息，下载链接和更多结果，请参见 。 训练 python train.py --config ../configs/train.yaml 例如train.yaml ： exp_name : training num_epochs : 1 batch_size : 16 learning_rate : 0.0001 # start fresh resume : false checkpoint : null start_epoch : 1 batch_every : 1 save_every : 10 epoch_every : 1 shuffle : true dataset_path : datasets/yt_small_720p num_wo

星座图的matlab代码自动编码器用于降维 使用自动编码器进行降维的简单，单个隐藏层示例 在现代“大数据”时代，一项艰巨的任务是减少特征空间，因为在当今的超大数据集中执行任何类型的分析或建模在计算上都非常昂贵。 为此目的，有各种各样的技术：PCA，LDA，拉普拉斯特征图，扩散图等。在这里，我使用了基于神经网络的方法，即自动编码器。 自动编码器本质上是一个神经网络，在中间（以某种方式）对其进行编码之后，它会在其输出中复制输入层。 换句话说，NN在将其输入经过一组堆栈之后尝试预测其输入。 NN的实际体系结构不是标准的，而是用户定义和选择的。 通常看起来像是镜像图像（例如，第一层256个节点，第二层64个节点，第三层又是256个节点）。 在这个简单的介绍性示例中，由于输入空间最初相对较小（92个变量），因此我仅使用一个隐藏层。 对于较大的特征空间，可能需要更多的层/更多的节点。 我将特征空间从这92个变量减少到只有16个。AUC分数非常接近我为此数据集构建的最佳NN（0.753对0.771），因此我们的数据减少了5倍，因此没有牺牲太多信息。 建立自动编码器模型后，我使用它来将我的92个特征的

tensorflow_stacked_denoising_autoencoder 0.安装环境 要运行脚本，至少应满足以下必需的软件包： 的Python 3.5.2 Tensorflow 1.6.0 NumPy 1.14.1 您可以使用Anaconda安装这些必需的软件包。 对于tensorflow，请使用以下命令在Windows下快速安装： pip install tensorflow 1.内容 在这个项目中，有各种自动编码器的实现。 python的基本类是library / Autoencoder.py，您可以在自动编码器的构造函数中将“ ae_para”的值设置为指定相应的自动编码器。 ae_para [0]：自动编码器输入的损坏级别。 如果ae_para [0]> 0，则为降噪自动编码器； aw_para [1]：稀疏正则化的系数。 如果ae_para [1]> 0，

Unsupervised Electric Motor Fault Detection by Using Deep Autoencoders Emanuele Principi

有效压缩量子数据的量子自动编码器