TensorFlow +OpenVINO 整合开发CR-A07-自编码器(AE)-神奇的ML瑞士刀

目录目录1.小而美的自编码器(AE)2.复习：分类器3.开始创作之旅4.组合成维深度学习模型5.设计出自编码器(AE)6.A的E过滤和降维效果7.范例实现-18.范例实现-211•AE是在1980年代由辛顿(Hinton)所提出的，用来实现其withoutateacher”)机器学习模式，而直接拿输入资料来当做老师。AEAutoencoder)的特点•AE是一种小而美的ML模型，它的用途非常多，所以有度学习瑞士刀。AEAutoencoder)的特点•Sobel在其文章里写道：当谈到在一个充满机器学习问题的世界中生存时，有一种算法可能像瑞士刀一样通用，它是一种自动编码器。(WhenitcomestosurvivalinaworldfullofmachinelearningproblemsthereisonealgorithmwhichmaybeasversatileasSwissKnife,anditisanautoencoder.)•AE本身就有很多种变化型式，而且它可以跟其他ML模型相结合，成为ML模型创新的核心要素之一。22归式。头冠大小与脚蹼大小。如下图所示：•设计一个分类模型，来区分为鸡、鸭两类。视角-2：视角-2：视角-3：•从视角-1<数据关联>来看这个AI(ML)模型：•从视角-2<空间对应>来看这个模型：•从视角-3<神经网络>来看这个模型：ZZX*W+B=Y,Z=sigmoid(Y)33分类器-2分分类器-2整合对应关系：，分类器-2来得出一条回归线。并且，输出其预测值(Z)：模型，就能一起训练。44分类器-2分类器-1•其中的Wh和Bh就是这隐藏层的权重和偏移植。010100hh11HH55个x0•其中，目标值(T)就等于输入值(X)了。所以属于非监督式学习。supervisedlearning)。AE：展开训练AE：展开训练HHAE：展开训练HHAE：展开训练AE：展开训练AE：展开训练HH其潜藏空间对应：•这就是神奇的AE(Autoencoder)模型了。非常多，所以被称之为：小而美的神奇ML瑞士刀。HHYXXYXXHBhHHHHHYXXYX00110011HH66E延续上一小节的范例：E延续上一小节的范例：E展开学习：显着特显着特征显着影响H值呈现群共性EhhhhhhhAE的降维效果并且Y与X极为类似。如下图所示：AE的降维效果从2维降到1维AE的降维效果从3维降到2维AE的降维效果以AE(Autoencoder)为例•AE可以透过反向传播技术来训练模型，让其输出Y值，非AE的降维效果•AE(自编码器)是一种可以实现编码和解码的神经网路。将原始资料。>>>>XH77实现范例-1实现范例-1并且Y与X极为类似。如下图所示：HXHXYXHXX HXX 实现范例-1HXXT[0,1]])实现范例-1•按下<学习>，AE模型会逐步探索而寻找出适合的Wh、实现范例-1实现范例-1实现范例-1实现范例-1实现范例-1实现范例-1实现范例-1实现范例-1实现范例-101xxyy01xxyyWh初期值0000.011001001xyxy11实现范例-1实现范例-1批量(即每回合处批量(即每回合处理的样本数)输入值model.fit(X,T,1,150,0,shuffle=False)训练模型的迭代次数,即回合数(Epoch)不输出训练日志不不混洗训练资料001001yyxx11001001yyxx110088实现范例-2erLayers的神经网络。实现范例-2erLayersxxx2x3形式的神经网络实现范例-2实现范例-2汇出汇出到*.pbHHYYXb实现范例-2实际执行，并输出结果：99优化模型：使用ModelOptimizer行优化动作。•优化完成，会输出IR档案。•将模型优化，然后输出IR档案b区Windows行窗口出发：vinodeploymenttoolsmodeloptimizerModelOptimizer工作区了：2.1输入命令：也告诉它：转换出来的IR档案的储存路径(文件夹)，例如指定放