注重多元时间序列的LSTM自动编码器
该存储库包含用于多变量时间序列预测的自动编码器。 它具有描述的两种注意力机制，并且受启发。
下载和依赖项
要克隆存储库，请运行：
git clone https://github.com/JulesBelveze/time-series-autoencoder.git
要安装所有必需的依赖项，请运行：
pip install -r requirements.txt
用法
python main.py [-h] [--batch-size BATCH_SIZE] [--output-size OUTPUT_SIZE]
[--label-col LABEL_COL] [--input-att INPUT_ATT]
[--temporal-att TEMPORAL_ATT] [--seq-le
2021-10-12 16:02:48
249KB
1
演示代码（请参阅jupyter笔记本）：
使用深度卷积自动编码器对地震信号进行非监督（自我监督）区分
您可以从这里获取论文：
连结1：
连结2：
您可以从此处获取训练数据集：
参考：
Mousavi, S. M., W. Zhu, W. Ellsworth, G. Beroza (2019).
Unsupervised Clustering of Seismic Signals Using Deep Convolutional Autoencoders,
IEEE Geoscience and Remote Sensing Letters, 1 - 5, doi:10.1109/LGRS.2019.2909218.
2021-10-11 21:13:41
15.17MB
1
变种火炬自动编码器
Pytorch中针对MNIST数据集的VAE实现
嘿大家！ 在这里，我将展示我创建VAE来复制MNIST数据集的项目的所有代码
目录
基本信息
该项目的灵感来自Sovit Ranjan Rath的文章
技术领域
使用以下项目创建项目：
Python版本：3.8.5
Pytorch版本：1.8.0
脾气暴躁：1.19.2
2021-10-10 13:32:56
5.4MB
1
使用自动编码器神经网络检测恶意URL
该存储库包含使用自动编码器神经网络检测恶意URL的代码源。 中提供了有关其工作原理的文章。
要构建和测试模型，可以运行：
$ python train_and_test_urls_autoencoder.py
如果您想生成新的丰富数据，可以运行：
$ python enrich_urls_data.py
2021-10-07 11:13:06
13.19MB
1
#4.4_AutoEncoder_自编码_(PyTorch_tutorial_神经网络_教学)
2021-09-01 21:00:19
27.77MB
自动编码器在脑MR图像中的无监督异常分割：比较研究
该存储库包含我们的论文的代码，该论文是。 如果您使用我们的任何代码，请引用：
@article{Baur2020,
title = {Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study},
author = {Baur, Christoph and Denner, Stefan and Wiestler, Benedikt and Albarqouni, Shadi and Navab, Nassir},
url = {http://arxiv.org/abs/2004.03271},
year = {2020}
}
@article{baur2021autoencoders,
tit
2021-08-30 09:47:06
122KB
1
主要为大家详细介绍了TensorFlow实现AutoEncoder自编码器，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
2021-08-17 21:44:52
175KB
1
Tensorflow中的LSTM自动编码器和LSTM未来预测器。
这是基于本文的简单实现： :
要求
Tensorflow 1.4.0
的Python 3.5.4
Python软件包：numpy，matplotlib，os，argparse，scipy
用法
数据生成后实施重建或未来预测
使用旋转和移位生成数据：Image_generation.ipynb
使用LSTM自动编码器重建数据：Autoencoder.ipynb
输入重构和未来预测：AE_with_Predictor
结果
从复合模型
数据序列（从左到右）：0,1，...，t-1，t
轮换数据
在LSTM模型中输入序列数据后，重建数据并预测旋转多少
输入顺序
输入重构
未来预测
移位数据
在LSTM模型中输入序列数据后，重建数据并预测多少位移
输入顺序
输入重构
未来预测
参考实现
https://githu
2021-08-17 21:39:52
449KB
1
Autoencoder
主要包括自编码器及其变形的理论+实践。
PDF整理
PDF来源于本人的理解+整理，部分图片来源于网上，已有标注，PDF对应博客详见： 。
因时间原因，代码中epoch设置的较小，实际状况下，肯定要更大。
主要内容
暂时代码包括普通自编码器（Autoencoder.py）、栈式自编码器（StackAutoencoder）、稀疏自编码器（SparseAutoencoder.py）和去噪自编码器（DenoisingAutoencoder.py）的简单实现，代码每一步都有注释。
关于收缩自编码器、变分自编码器、CNN自编码器等后更。
基于框架：Keras2.0.4
数据集：Mnist
具体设置等请参见代码或者博客
代码运行结果：
1、普通自编码器：
简单自动编码器架构图
Encoder层输出结果可视化
Autoencoder生成图片和原图片对比
2、栈式自编码器：
栈式自动
2021-08-04 14:25:05
2.94MB
1