初学者系列：手把手教你实现去噪自编码器（Denoise Autoencoder）

【导读】去噪自编码器是基本自编码器的扩展，用于特征选择和提取，能够重建损坏的数据。本文将带你了解去噪自编码器，以及如何初步用代码实现它。有关基本自编码器，请参看文章手把手教你实现自编码器

原理与结构

01

自编码器是用于降维的神经网络，即用于特征选择和提取，它的隐藏层比输入层多。 但是，当隐藏层中的节点多于输入层时，会有输出等于输入的风险，意味着自动编码器没有意义了。去噪自编码器是基本自编码器的扩展，通过将一些输入值随机变为零来有意破坏数据来解决以上问题。 通常，设置为零的输入节点的百分比约为50％，也有说30％的，这取决于数据量和输入节点数。去噪自编码器能够重建损坏的数据。计算Loss函数时，必须将输出值与原始输入进行比较，而不是将损坏的输入进行比较。原理如下图：

代码实现

02

2.1 引入包

2.2 获取数据并初始化参数

控制台显示

2.3 引入高斯随机噪声

2.4 绘图显示比对

2.5 去噪卷积自编码器模型

2.6 训练并测试模型

控制台显示

2.7 绘图显示比对

2.8 在新的数据集上测试及结果

控制台显示

资源来啦

03

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“CDAE” 就可以获取完整版代码下载链接~

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！560+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程