Image 自编码网络与完全卷积网络的区别
自动编码器网络和完全卷积网络之间的主要区别是什么?Image 自编码网络与完全卷积网络的区别,image,autoencoder,Image,Autoencoder,自动编码器网络和完全卷积网络之间的主要区别是什么? 请帮助我了解这两个网络架构之间的差异?1]自动编码器: 自动编码是一种降维技术 它由编码器和解码器两部分组成 Enocder将原始数据映射到隐藏表示(潜在空间表示) 解码器将隐藏的表示映射回原始数据 网络会自动学习这种隐藏的表示,结果表明,这种隐藏的表示是数据最重要的特征 因此,原始数据作为编码器的输入,并输出潜在空间表示 现在,编码器的输出是解码器的输入,解码器将尝试重新生成原始数据 自动编码器是一种无监督学习 下面是在编码器网络中使用卷积
请帮助我了解这两个网络架构之间的差异?1]自动编码器:
- 自动编码是一种降维技术
- 它由编码器和解码器两部分组成
- Enocder将原始数据映射到隐藏表示(潜在空间表示)
- 解码器将隐藏的表示映射回原始数据
- 网络会自动学习这种隐藏的表示,结果表明,这种隐藏的表示是数据最重要的特征
- 因此,原始数据作为编码器的输入,并输出潜在空间表示
- 现在,编码器的输出是解码器的输入,解码器将尝试重新生成原始数据
- 自动编码器是一种无监督学习
- 下面是在编码器网络中使用卷积层和在解码器网络中使用反卷积层的自动编码器的示意图
- 卷积网络用于图像处理
- 在卷积网络中,使用一组滤波器进行卷积
- 过滤器在数据中共享
- 这意味着您可以共享数据权重
- 过滤器的每个像素值都是一个权重
- 要了解卷积运算,请查看此链接
- 每个卷积层都执行此卷积操作
- 卷积网络是一种监督学习
- 卷积网络使用池操作进行下采样
- 下面是卷积网络图
- 在上图中,分类器通常是一个完全连接的层
- 但不需要将完全连接的层作为分类器。。您可以使用其他分类器
- 为了理解卷积网络和MLP网络之间的区别,您可以参考以下内容:
- 这些是简单的神经元层
- 每个神经元都有一组基于输入的权重
- 下面是完全连接层的示意图
自动编码器至少有一个隐藏的完全连接层,“通常称为代码、潜在变量或潜在表示”。 事实上,自动编码器根本不必是卷积网络——只表示它们是前馈非递归网络 另一方面,完全卷积网络没有任何完全连接的层。有关更多详细信息,请参见和(本文对网络进行了很好的可视化) 因此,即使自动编码器网络中的编码器和解码器都是CNN,它们之间至少有一个完全连接的隐藏层。因此,自动编码器网络不是FCN