ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价
ApX 标志ApX 标志

趋近智

大模型显存计算器硬件课程定价

所有课程

应用自动编码器进行特征提取
章节 1: 回顾神经网络与降维方法
神经网络组成部分:快速回顾
高维数据的难题
降维方法概述
线性与非线性降维的比较
机器学习流程中特征提取的作用
配置深度学习环境
实践:PCA降维操作
第 1 章测验
章节 2: 理解自编码器:基本原理
自编码器的定义:基本构造
编码器:信息压缩
瓶颈层:潜在空间表示
解码器:重构原始数据
衡量重建质量:损失函数
欠完备与过完备自动编码器
自动编码器的训练过程
自编码器如何发现有意义的特征
动手实践:构建一个基础自编码器
第 2 章测验
章节 3: 构建你的第一个用于特征提取的自动编码器
自编码器训练的数据准备
编码器网络设计考量
确定潜在空间维度
解码器网络设计策略
为自编码器选择合适的损失函数
优化器选择和学习率配置
监控自动编码器训练进程
从瓶颈层提取特征的方法
潜在空间可视化(适用时)
实践:从表格数据中获取特征
第 3 章测验
章节 4: 进阶自动编码器架构
稀疏自编码器:实现表示的稀疏化
稀疏自编码器的正则化方法
去噪自编码器:从含噪声输入中学习
去噪自编码器的实现
紧缩自编码器:原理与正则化
堆叠式自编码器:构建深度架构
堆叠自编码器的分层训练
动手实践:实现去噪自编码器
第 4 章测验
章节 5: 图像数据的卷积自编码器
为何全连接自编码器在图像处理中表现不足
卷积层在自动编码器编码器中的作用
使用池化层进行空间降采样
解码器中的转置卷积层
解码器中的上采样技术
构建卷积自编码器模型
使用卷积自编码器提取分层特征
实践:用于图像特征的卷积自编码器
第 5 章测验
章节 6: 变分自编码器(VAEs)与结构化潜在空间
基于自编码器的生成模型介绍
变分自编码器构成
VAE编码器:输出分布参数
重参数化技巧解释
VAE解码器:从潜在样本生成数据
VAE损失函数:平衡重建与正则化
VAE 潜在空间的特点
使用VAE潜在表示作为特征
实作:构建变分自编码器并检验其潜在空间
第 6 章测验
章节 7: 自编码器特征的使用与实践指引
选择合适的自编码器类型
超参数调整以实现最佳性能
评估提取特征质量的方法
将自编码器特征用于监督模型
应用:使用自编码器特征进行异常检测
应用:使用自编码器进行数据压缩
自编码器的迁移学习方法
应对常见实施难题
实践:在分类任务中运用自编码器特征
第 7 章测验

章节 6: 变分自编码器(VAEs)与结构化潜在空间

前面的章节介绍了自编码器,它们主要是用于降维和特征学习的工具,网络通过学习重建其输入。本章介绍变分自编码器(VAEs),这是一种独特的自编码器,结合了概率视角。VAEs 的设计目的不仅是重建,还在于学习一个连续且有结构的潜在空间,这使它们在生成模型方面特别有效——即生成新的数据样本。

通过学习本章,您将了解到:

  • 生成模型的基本思想以及 VAEs 如何适应这个方面。
  • 变分自编码器的核心原理,包括它们的概率编码器和解码器。
  • VAE 编码器如何构造以输出参数 (parameter)(通常是均值 μ\muμ 和对数方差 log⁡(σ2)\log(\sigma^2)log(σ2)),这些参数为每个输入定义了潜在空间中的概率分布。
  • 重参数化技巧,这是一种允许梯度通过采样过程反向传播 (backpropagation)的方法,这对训练 VAEs 非常重要。
  • VAE 解码器作为生成器,如何使用从潜在分布中抽取的样本来生成新数据。
  • VAE 损失函数 (loss function),它通常由两个主要部分组成:重建损失(例如,均方误差或二元交叉熵)和一个 Kullback-Leibler (KL) 散度项。KL 散度作为正则项,促使学到的潜在分布接近先验分布(通常是标准正态分布 N(0,I)\mathcal{N}(0, I)N(0,I))。总损失可以表示为 LVAE=ReconstructionLoss+DKL(q(z∣x)∣∣p(z))L_{VAE} = \text{ReconstructionLoss} + D_{KL}(q(z|x) || p(z))LVAE​=ReconstructionLoss+DKL​(q(z∣x)∣∣p(z))
  • VAE 潜在空间的特性,例如其平滑性以及如何促进数据点之间的插值。
  • 使用 VAEs 潜在空间中的均值向量 (vector)(或样本)作为特征,用于其他机器学习 (machine learning)任务的方法。

一个实践部分将演示如何构建 VAE 并直观检查其潜在空间,以观察其学习到的结构。

课程章节

  • 6.1 基于自编码器的生成模型介绍

  • 6.2 变分自编码器构成

  • 6.3 VAE编码器:输出分布参数

  • 6.4 重参数化技巧解释

  • 6.5 VAE解码器:从潜在样本生成数据

  • 6.6 VAE损失函数:平衡重建与正则化

  • 6.7 VAE 潜在空间的特点

  • 6.8 使用VAE潜在表示作为特征

  • 6.9 实作:构建变分自编码器并检验其潜在空间

© 2026 ApX Machine Learning