基于三层自动编码机训练的人脸识别，输出ROC曲线，matlab2021a仿真测试 %三层自动编码机 hidden_size =80; autoenc_1=trainAutoencoder(X,hidden_size,... 'MaxEpochs',1000,... 'L2WeightRegularization',0.001,... 'SparsityRegularization',4,... 'SparsityProportion',0.05,... 'DecoderTransferFunction','purelin');

对抗式自动编码器 通过实现。 要求 MXNet 麻木 matplotlib scikit学习 OpenCV 无监督对抗自动编码器 请运行aae_unsupervised.py进行模型训练。 在visualize.ipynb中将task设置为unsupervised以显示结果。 请注意，二维潜变量的所需先验分布可以是{高斯，高斯混合，瑞士卷或均一}中的一种。 在这种情况下，培训过程中不会使用任何标签信息。 一些结果： 将z_prior设置为高斯分布的p（z）和q（z）。 将z_prior设置为10高斯混合分布的p（z）和q（z）。 将z_prior设置为瑞士卷分布的p（z）和q（z）。 监督对抗自动编码器 请运行aae_supervised.py进行模型训练。 在visualize.ipynb中将任务设置为supervised ，以显示结果。 注意，二维潜变量的期望的先验分布可以

在工业互联网的环境下，自动有效的异常检测方法对工业系统的安全、稳定生产具有重要的意义。传统的异常检测方法存在需要大量标注样本、不适应高维度时序数据等不足，提出一种基于LSTM自动编码机的工业系统异常检测方法。为克服现有方法依赖标注样本的不足，提出采用自动编码机，通过无监督的方式学习大量正常样本的特征和模式，在此基础上通过对样本进行重构和计算重构误差的方式进行异常检测。其次，为克服现有方法不适应高维度时序数据的不足，提出采用双向LSTM作为编码器，进而挖掘多维时序数据的潜在特征。基于一个真实造纸工业的数据集的实验表明，所提方法在各项指标上都对现有无监督异常检测方法有一定的提升，检测的总体精度达到了93.4%。

matlab精度检验代码航空航天工程师协会 打开Matlab应用程序。 将路径设置为包含代码的文件夹。 在matlab命令提示符下输入“ DatabasePreparationVideo”。 选择视频以提取功能并存储在数据库中。 退出DatabasePreparationVideo窗口。 在matlab命令提示符下输入“ Main_Gui_Face_Recogn_latest”。 点击运行，然后选择要测试的视频。 该应用程序将从视频中识别人脸并与数据库匹配。 如果找到匹配的视频，它将提供准确的匹配结果。

在化工原料、服装、食品原料等的出货检验中，需要检测正常产品的缺陷和杂质。 在以下链接中，我分享了使用 CAE 检测和定位异常的代码，仅使用图像进行训练。 在此演示中，您可以学习如何将变分自动编码器 (VAE) 而非 CAE 应用于此任务。 VAE使用潜在空间上的概率分布，并从该分布中采样以生成新​​数据。 [日本人]以下链接介绍了仅使用正常图像训练 CAE 模型的代码，可以使用深度学习检测和定位与正常图像混合的异常。此演示将向您展示如何应用变分自动编码器。 VAE 使用潜在变量的概率分布和来自该分布的样本来生成新数据。 ■ 使用深度学习 (CAE) 进行异常检测和定位https://jp.mathworks.com/matlabcentral/fileexchange/72444-anomaly-detection-and-localization-using-deep-learn

视觉系统实验室：在GPU上学习计算机视觉[自述文件未定期更新] 作者：Saikat Roy， 波恩大学CudaVision实验室（SS19）的存储库（主要）在PyTorch，Python3和Jupyter笔记本电脑上实现。 该项目从神经网络的基础开始，并延伸到更深层次的模型。 以下项目包含在相应的文件夹中： 项目1：Softmax回归（无autograd / Pytorch张量） 涉及使用softmax回归和手动梯度计算对MNIST数据集进行分类。 经过5次简单的迭代运行后，训练和测试集的准确度分别为0.8931和0.8866 。 项目2：多层神经网络 涉及在PyTorch上使用香草SGD进行简单的多层神经网络训练，并通过k倍蒙特卡洛交叉验证进行超参数（学习率和批量大小）搜索。 分类是在CIFAR-10数据集上完成的。 下面给出了在3072-128-128-10体系结构上进行50次

WavenetAutoEncoder Wavenet自动编码器的pytorch实现：

矢量量化变分自编码器 这是矢量量化变分自动编码器（ ）的PyTorch实现。 您可以找到作者的带有。 安装依赖项 要安装依赖项，请使用Python 3创建一个conda或虚拟环境，然后运行pip install -r requirements.txt 。 运行VQ VAE 要运行VQ-VAE，只需运行python3 main.py 如果要保存模型，请确保包括-save标志。 您也可以在命令行中添加参数。 默认值指定如下： parser . add_argument ( "--batch_size" , type = int , default = 32 ) parser . add_argument ( "--n_updates" , type = int , default = 5000 ) parser . add_argument ( "--n_hiddens" , type

cae.py:Numpy中的压缩自动编码器

基于MNIST样式的自动编码器 （AAE）模型，可在高斯分布多元变量上对MNIST图像的样式信息进行编码。 这里使用的模型是从在第4所讨论的一个（监督对抗性自动编码）略有不同。 在本文中，仅解码器具有指示数字的标签。 鉴于此，我们还为编码器提供了标签。 路线图 简单的自动编码器 可视化潜在特征空间（样式空间）的脚本。 对抗式自动编码器，可将样式空间调整为高斯分布。 一个脚本，用于从随机样式矢量生成所有数字的图像。 设置 $ python3 -m venv pyenv $ source pyenv/bin/activate $ pip3 install -r requirements.txt 用法 $ ./mnist-sae.py --help usage: mnist-sae.py [-h] [--batch-size B] [--epochs E] [--lr LR]