TensorFlow +OpenVINO 整合開(kāi)發(fā)CR-A07-自編碼器(AE)-神奇的ML瑞士刀

目錄目錄1.小而美的自編碼器(AE)2.復(fù)習(xí)：分類器3.開(kāi)始創(chuàng)作之旅4.組合成維深度學(xué)習(xí)模型5.設(shè)計(jì)出自編碼器(AE)6.A的E過(guò)濾和降維效果7.范例實(shí)現(xiàn)-18.范例實(shí)現(xiàn)-211?AE是在1980年代由辛頓(Hinton)所提出的，用來(lái)實(shí)現(xiàn)其withoutateacher”)機(jī)器學(xué)習(xí)模式，而直接拿輸入資料來(lái)當(dāng)做老師。AEAutoencoder)的特點(diǎn)?AE是一種小而美的ML模型，它的用途非常多，所以有度學(xué)習(xí)瑞士刀。AEAutoencoder)的特點(diǎn)?Sobel在其文章里寫(xiě)道：當(dāng)談到在一個(gè)充滿機(jī)器學(xué)習(xí)問(wèn)題的世界中生存時(shí)，有一種算法可能像瑞士刀一樣通用，它是一種自動(dòng)編碼器。(WhenitcomestosurvivalinaworldfullofmachinelearningproblemsthereisonealgorithmwhichmaybeasversatileasSwissKnife,anditisanautoencoder.)?AE本身就有很多種變化型式，而且它可以跟其他ML模型相結(jié)合，成為ML模型創(chuàng)新的核心要素之一。22歸式。頭冠大小與腳蹼大小。如下圖所示：?設(shè)計(jì)一個(gè)分類模型，來(lái)區(qū)分為雞、鴨兩類。視角-2：視角-2：視角-3：?從視角-1<數(shù)據(jù)關(guān)聯(lián)>來(lái)看這個(gè)AI(ML)模型：?從視角-2<空間對(duì)應(yīng)>來(lái)看這個(gè)模型：?從視角-3<神經(jīng)網(wǎng)絡(luò)>來(lái)看這個(gè)模型：ZZX*W+B=Y,Z=sigmoid(Y)33分類器-2分分類器-2整合對(duì)應(yīng)關(guān)系：，分類器-2來(lái)得出一條回歸線。并且，輸出其預(yù)測(cè)值(Z)：模型，就能一起訓(xùn)練。44分類器-2分類器-1?其中的Wh和Bh就是這隱藏層的權(quán)重和偏移植。010100hh11HH55個(gè)x0?其中，目標(biāo)值(T)就等于輸入值(X)了。所以屬于非監(jiān)督式學(xué)習(xí)。supervisedlearning)。AE：展開(kāi)訓(xùn)練AE：展開(kāi)訓(xùn)練HHAE：展開(kāi)訓(xùn)練HHAE：展開(kāi)訓(xùn)練AE：展開(kāi)訓(xùn)練AE：展開(kāi)訓(xùn)練HH其潛藏空間對(duì)應(yīng)：?這就是神奇的AE(Autoencoder)模型了。非常多，所以被稱之為：小而美的神奇ML瑞士刀。HHYXXYXXHBhHHHHHYXXYX00110011HH66E延續(xù)上一小節(jié)的范例：E延續(xù)上一小節(jié)的范例：E展開(kāi)學(xué)習(xí)：顯著特顯著特征顯著影響H值呈現(xiàn)群共性EhhhhhhhAE的降維效果并且Y與X極為類似。如下圖所示：AE的降維效果從2維降到1維AE的降維效果從3維降到2維AE的降維效果以AE(Autoencoder)為例?AE可以透過(guò)反向傳播技術(shù)來(lái)訓(xùn)練模型，讓其輸出Y值，非AE的降維效果?AE(自編碼器)是一種可以實(shí)現(xiàn)編碼和解碼的神經(jīng)網(wǎng)路。將原始資料。>>>>XH77實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1并且Y與X極為類似。如下圖所示：HXHXYXHXX HXX 實(shí)現(xiàn)范例-1HXXT[0,1]])實(shí)現(xiàn)范例-1?按下<學(xué)習(xí)>，AE模型會(huì)逐步探索而尋找出適合的Wh、實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-101xxyy01xxyyWh初期值0000.011001001xyxy11實(shí)現(xiàn)范例-1實(shí)現(xiàn)范例-1批量(即每回合處批量(即每回合處理的樣本數(shù))輸入值model.fit(X,T,1,150,0,shuffle=False)訓(xùn)練模型的迭代次數(shù),即回合數(shù)(Epoch)不輸出訓(xùn)練日志不不混洗訓(xùn)練資料001001yyxx11001001yyxx110088實(shí)現(xiàn)范例-2erLayers的神經(jīng)網(wǎng)絡(luò)。實(shí)現(xiàn)范例-2erLayersxxx2x3形式的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)范例-2實(shí)現(xiàn)范例-2匯出匯出到*.pbHHYYXb實(shí)現(xiàn)范例-2實(shí)際執(zhí)行，并輸出結(jié)果：99優(yōu)化模型：使用ModelOptimizer行優(yōu)化動(dòng)作。?優(yōu)化完成，會(huì)輸出IR檔案。?將模型優(yōu)化，然后輸出IR檔案b區(qū)Windows行窗口出發(fā)：vinodeploymenttoolsmodeloptimizerModelOptimizer工作區(qū)了：2.1輸入命令：也告訴它：轉(zhuǎn)換出來(lái)的IR檔案的儲(chǔ)存路徑(文件夾)，例如指定放