자동 인코더가 필요한 이유는 무엇입니까?

최근에는 자동 인코더를 연구하고 있습니다. 내가 올바르게 이해한다면, 자동 인코더는 입력 레이어가 출력 레이어와 동일한 신경망입니다. 따라서 신경망은 입력을 황금 표준으로 사용하여 출력을 예측하려고 시도합니다.

이 모델의 유용성은 무엇입니까? 일부 출력 요소를 재구성하여 입력 요소와 최대한 동일하게 만들면 어떤 이점이 있습니까? 왜이 기계를 모두 사용하여 같은 출발점에 도달해야합니까?

자동 인코더에는 입력 레이어, 숨겨진 레이어 및 출력 레이어가 있습니다. 입력은 출력과 동일해야하므로 우리가 관심을 갖는 숨겨진 레이어입니다.

숨겨진 레이어는 일종의 입력 인코딩 을 형성합니다 . "자동 인코더의 목표는 일련의 데이터에 대한 압축 된 분산 표현 (인코딩)을 배우는 것입니다." 입력이 100 차원 벡터이고 숨겨진 레이어에 60 개의 뉴런이있는 경우 자동 인코더 알고리즘은 입력을 인코딩하는 60 차원 벡터를 제공하는 과정에서 출력 레이어에 100 차원 벡터로 입력을 복제합니다. .

따라서 자동 엔코더의 목적은 다른 많은 것들 중에서도 차원 축소 입니다.

또한 모집단을 모델링하여 새 벡터를 입력 할 때 입력의 출력이 얼마나 다른지 확인할 수 있습니다. 그것들이 "quite"이라면 입력이 모집단과 일치한다고 가정 할 수 있습니다. "quite"가 다르면 입력이 모델링 한 모집단에 속하지 않을 수 있습니다.

데이터를 설명하는 함수를 사용하려고하는 일종의 "신경망에 의한 회귀"라고 생각합니다. 출력은 입력과 같습니다.

어쩌면이 사진들은 당신에게 직관력을 줄 것입니다. 위의 설명자가 말했듯이 자동 인코더는 교육 예제에서 일부 고급 기능을 추출하려고합니다. 두 번째 그림에서 딥 NN에 대해 각각의 숨겨진 레벨을 개별적으로 훈련시키기 위해 예후 알고리즘이 어떻게 사용되는지 알 수 있습니다.

러시아 위키 백과에서 찍은 사진입니다.