0
点赞
收藏
分享

微信扫一扫

深度学习之自编码器实现——实现图像去噪

       大家好,我是带我去滑雪!

       自编码器是一种无监督学习的神经网络,是一种数据压缩算法,主要用于数据降维和特征提取。它的基本思想是将输入数据经过一个编码器映射到隐藏层,再通过一个解码器映射到输出层,使得输出层的结果与输入层的结果尽可能相似。自编码器的主要优点在于可以发现数据中的潜在模式和特征,进而用于特征提取或者压缩数据。它的主要应用领域包括图像去噪识别和生成等。我们可以使用MLP或者CNN实现自编码器,在实战中自编码器可以应用在机器学习中的主成分分析,在保留主要特征下减少数据集的维数,也可以应用在CNN中,当处理尺寸很大的图片时,可以先使用自编码器来降维提取主要特征,使用主要特征进行学习。本期利用自编码器实现图像去噪。

目录

1、使用MLP创建自编码器

(1)导入相关模块和MNIST手写数据集

(2)数据预处理

(3)定义自编码器模型

(4)创建编码器模型

(5)创建解码器模型

(6)编译模型

(7)训练模型

 (8)使用自编码器来编码和解码手写数字图片

2、使用CNN创建自编码器

 (1)定义自编码器模型、编码器、解码器

(2)计算压缩图片和解码图片,画图展示

(3)使用CNN自编码器去除图片噪声


1、使用MLP创建自编码器

(1)导入相关模块和MNIST手写数据集

(2)数据预处理

       首先将特征数据转化成28*28的向量,再将数据进行归一化:

(3)定义编码器模型

(4)创建编码器模型

       编码器模型是自编码器模型的前半段。 

(5)创建解码器模型

(6)编译模型

(7)训练模型

 (8)使用自编码器来编码和解码手写数字图片

2、使用CNN创建自编码器

 (1)定义自编码器模型、编码器、解码器

(2)计算压缩图片和解码图片,画图展示

(3)使用CNN自编码器去除图片噪声


更多优质内容持续发布中,请移步主页查看。

   点赞+关注,下次不迷路!

举报

相关推荐

0 条评论