Neyron tarmoq asoslari va uni chuqur o'rganish

Отличительные особенности автокодировщиков

Автокодировщик отличается от многослойного перцептрона в двух отношениях:  он служит для обучения без учителя на неразмеченных данных;  он строит сжатое представление входных данных.

Обучение без учителя на неразмеченных данных. Автокодировщик обу-чается прямо на неразмеченных данных. И это связано со вторым отличием от многослойных перцептронов.


Обучение воспроизведению входных данных. Цель многослойного перцеп-трона – предсказывать класс (например, мошенническая операция или честная). Автокодировщик обучается воспроизводить собственные входные данные.


Обучение автокодировщика

Для обновления весов в автокодировщике применяется обратное распростране-ние ошибки. Основное отличие между ОМБ и более общим классом автокодиров-щиков заключается в способе вычисления градиента.

Распространенные варианты автокодировщиков

Две важные разновидности автокодировщиков: сжимающие и шумоподавляющие.

Сжимающие автокодировщики. Эта архитектура изображена на рис. 3.7. Входные данные должны пройти через бутылочное горлышко и только потом раз-двигаются в выходное представление.
Шумоподавляющие автокодировщики. В этом случае34 автокодировщик по-лучает искаженные входные данные (например, некоторые признаки случайным образом удалены), а сеть обучается выдавать на выходе неискаженный сигнал.


Применение автокодировщиков

На первый взгляд, модель для представления входного набора данных кажется бесполезной. Однако нас интересует не столько ее выход, сколько различие меж-ду входным и выходным представлениями. Если мы сможем обучить нейронную сеть распознавать данные, которые она «видит» обычно, то она сможет сообщить нам о том, что наблюдаемые данные необычны, т. е. аномальны.