Tensorflow를 사용한 CAE(Convolutional AutoEncoder)

블로그

Autoencoder는 데이터 압축 작업에 가장 널리 사용되는 딥 러닝 문헌에서 오랫동안 사용되어 왔습니다. 구조가 간단하고 기본 수학이 그렇게 복잡하지 않기 때문에 간단한 데이터의 차원 축소와 관련하여 첫 번째 선택 중 하나가 되었습니다. 그러나 기본 완전 연결 계층을 사용하면 인접 정보를 보유하지 않기 때문에 픽셀 데이터의 패턴을 캡처하는 데 실패합니다. 잠재 변수의 이미지 데이터를 잘 캡처하기 위해 일반적으로 자동 인코더에서 컨볼루션 레이어가 사용됩니다.
소개
Autoencoder는 데이터의 일반적인 속성을 압축 후 재구성하는 방법을 배우면서 더 적은 매개변수로 요약하는 감독되지 않은 신경망 모델입니다[1]. 이미지의 질감 특징을 추출하기 위해 컨볼루션 신경망이 더 나은 아키텍처를 제공합니다. 또한 CAE는 각 CAE가 상위 수준 표현을 위해 이전 CAE의 잠재 표현을 취하는 방식으로 스택될 수 있습니다[2]. 그럼에도 불구하고 이 기사에서는 3개의 컨볼루션 레이어와 3개의 서브샘플링 레이어를 사이에 두고 간단한 CAE를 구현합니다.
CAE의 까다로운 부분은 모델의 디코더 쪽에 있습니다. 인코딩하는 동안 이미지 크기는 평균 풀링 또는 최대 풀링으로 서브샘플링하여 축소됩니다. 두 작업 모두 디코딩하는 동안 다시 얻기 어려운 정보 손실을 초래합니다.



#convolutional-network #tensorflow #딥 러닝 #인공 지능 #convolutional-autoencoder






미디엄닷컴

Tensorflow를 사용한 CAE(Convolutional AutoEncoder)

Autoencoder는 데이터 압축 작업에 가장 널리 사용되는 딥 러닝 문헌에서 오랫동안 사용되어 왔습니다. 그들의 쉬운…