Denoising autoencoder
En denoising autoencoder er en autoencoder, der trænes til at rekonstruere et rent input fra en støjfyldt version.
Kort fortalt
En type neuralt netværk, der lærer at fjerne støj fra data ved at blive trænet på bevidst forstyrrede input.
- Kategori
- arkitektur
- Niveau
- øvet
Betydninger
1- 1
En autoencoder-arkitektur, der under træning modtager en støjfyldt version af inputdata og lærer at rekonstruere det originale, rene input.
- Denoising autoencodere kan anvendes til at rense billeder for støj. — Vincent et al., 2008
- Ved at korrumpere inputtet med støj tvinges autoencoderren til at lære robuste repræsentationer. — Vincent et al., 2008
Hvornår bruges det
Bruges typisk til forbehandling af data, feature learning og generative formål. Den er særligt anvendelig ved støjfyldte billeder eller lydsignaler.
Kodeeksempel
import tensorflow as tf
from tensorflow.keras import layers, Model
input_dim = 784
encoding_dim = 32
input_noisy = layers.Input(shape=(input_dim,))
encoded = layers.Dense(encoding_dim, activation='relu')(input_noisy)
decoded = layers.Dense(input_dim, activation='sigmoid')(encoded)
autoencoder = Model(input_noisy, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
# Train with x_train_noisy and x_train_cleanSimpel denoising autoencoder i Keras. Input er støjfyldt, output er rent.
Oprindelse
Begrebet opstod med arbejdet af Vincent et al. (2008), som introducerede ideen om at træne autoencodere på støjfyldte input.