autoencoder

    1熱度

    2回答

    我們可以在pylearn2使用以下YAML文件訓練自動編碼器(連同pylearn2 /腳本/ train.py) !obj:pylearn2.train.Train { dataset: &train !obj:pylearn2.datasets.mnist.MNIST { which_set: 'train', start: 0, stop: 500

    1熱度

    3回答

    我正在研究一個項目,我需要降低觀察的維度並仍然有一個有意義的表示。 Autoencoders的使用強烈建議有很多原因,但我不太確定這是最好的方法。 我有1400個樣品的尺寸〜60,000太高,我試圖將它們的維數降低到原來的10%。我使用theano autoencoders [Link],似乎成本保持在30,000左右(這是非常高的)。我嘗試提高時代數量或降低學習速度,但沒有成功。我不是autoe

    1熱度

    1回答

    我想學習如何使用mlpack庫的稀疏編碼算法。當我打電話編碼()在我的mlpack :: sparse_coding實例:SparseCoding,我得到的錯誤 [WARN] There are 63 inactive atoms. They will be reinitialized randomly. error: solve(): solution not found 難道僅僅是算法無

    0熱度

    1回答

    我已經實現了一個使用自動編碼器的音素分類器(給定一個音頻文件數組,它返回所有識別的音素)。我想擴展這個項目,以便可以識別單詞。是否存在一個已經訓練過的HMM模型(用英語)能夠識別給出音素列表的單詞? 謝謝大家。

    2熱度

    1回答

    我想要實現自動編碼器(將在精確的堆疊卷積自動編碼器) 這裏我想pretrain每層的第一和然後微調 所以我創建了各層的權重變量 ex。 W_1 = tf.Variable(initial_value,名稱,可訓練=真等),用於第一層 和我預訓練的第一層的W_1 然後我想pretrain重量第二層的(W_2) 這裏我應該使用W_1來計算第二層的輸入。 但是W_1是可訓練的,所以如果我直接使用W_1,

    1熱度

    1回答

    在http://deeplearning.net/tutorial/SdA.html#sda的教程堆疊去噪自動編碼器中,pretraining_functions返回表示每個dA圖層的列車功能的函數列表。但我不明白爲什麼它會給所有dA圖層提供相同的輸入(train_set_x)。實際上,每個dA圖層的輸入應該是除第一個dA圖層以外的圖層的輸出。有人可以告訴我爲什麼這些代碼是正確的嗎? pretra

    1熱度

    1回答

    我已經在Encog中創建並學習了autoencoder,並試圖將其解碼爲編碼器和解碼器部分。不幸的是,我無法得到它,我不斷收到奇怪的不正確的數據(比較一次淨數據和兩次數據 - > enc - > dec)的結果。 我試圖用GetWeight和SetWeight來做,但結果不正確。在encog文檔中找到的解決方案 - 初始化扁平網絡對我來說不是很清楚(我無法得到它的工作)。 public stat

    1熱度

    1回答

    我剛爲自己的Deep Neural Network Library實現了AdaDelta(http://arxiv.org/abs/1212.5701)。 這種紙類型表示SGD與AdaDelta對超參數不敏感,並且它總是收斂到某個好的地方。 (至少AdaDelta-SGD的輸出重構損失與經過良好調整的Momentum方法相當) 當我使用AdaDelta-SGD作爲去噪AutoEncoder中的學習

    2熱度

    1回答

    假設我希望使用堆疊自動編碼器作爲預訓練步驟。 假設我的全自動編碼器是40-30-10-30-40。 我的步驟是: 列車一個使用原來的40點特徵的數據在兩個輸入和輸出層設置40-30-40。 使用僅上述40-30編碼器的訓練過的編碼器部分,導出原始40個特徵的新的30特徵表示。 在輸入層和輸出層中使用新的30特徵數據集(在步驟2中導出)訓練30-10-30。 從步驟1,40-30中取出經過訓練的編碼

    6熱度

    2回答

    有人請向我解釋爲什麼autoencoder不收斂?對我來說,下面兩個網絡的結果應該是一樣的。但是,下面的autoencoder不是收斂的,而是它下面的網絡。 # autoencoder implementation, does not converge autoencoder = Sequential() encoder = containers.Sequential([Dense(32,16