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

自动编码器与表示学习
章节 1: 表示学习的基本原理
无监督学习原理回顾
线性降维的局限性
流形学习方法简介
非线性特征提取的需求
信息瓶颈理论基础
数学基础知识回顾
章节 2: 经典自动编码器架构
编码器网络设计
瓶颈层
解码器网络设计
重建损失函数
基础自编码器的数学公式表示
实现考量与框架
搭建简单自编码器:实践操作
章节 3: 正则化自动编码器:构建稳固表示
处理自编码器中的过拟合
稀疏自编码器:L1 和 KL 散度
去噪自编码器架构与训练
收缩自编码器公式
正则化技术的比较
实施去噪自编码器:动手实践
实现稀疏自编码器:实践操作
章节 4: 变分自编码器用于生成式建模
确定性自动编码器的生成局限
概率编码器与解码器
隐变量模型视角
重参数化技巧的解释
推导证据下界(ELBO)
KL散度项分析
变分自编码器中的重构损失项
条件变分自编码器 (CVAE)
实现图像生成变分自编码器:实践
章节 5: 进阶自动编码器结构
用于空间数据的卷积自编码器
循环自编码器处理序列数据
对抗性自编码器(AAEs)
向量量化变分自编码器 (VQ-VAEs)
基于Transformer的自编码器概述
比较高级架构
卷积自编码器的实现:动手操作
章节 6: 理解和操纵潜在空间
使用 t-SNE 和 UMAP 可视化潜在空间
学习所得表征的特性
解耦表示理论
促进解缠的方法
潜在空间中的插值与遍历
潜在空间中的算术运算
评估表示质量的指标
潜在空间可视化与分析:实操篇
章节 7: 应用与训练策略
自编码器用于异常检测
降维和数据压缩的应用
自动编码器用于深度网络预训练
图像去噪和修补应用
序列到序列自编码器概述
高级优化算法
学习率计划与调整
超参数调优策略
使用自编码器进行异常检测:实践

章节 3: 正则化自动编码器:构建稳固表示

虽然标准自动编码器为学习压缩表示提供了一个根基,但它们有时会学到琐碎的解或过拟合 (overfitting)训练数据,从而限制了它们在获取有意义数据结构方面的有效性。本章将介绍旨在克服这些问题并促进学习更稳定特征的正则化 (regularization)技术。

我们将考察几种主要方法。您将学习稀疏自动编码器,它们利用L1L_1L1​正则化或Kullback–Leibler (KL)散度等惩罚,在潜在编码中强制实现稀疏性,从而有效地使网络关注最显著的信息。我们还将涵盖去噪自动编码器 (DAEs),它们被训练从损坏的版本中重建干净数据,从而学习对输入噪声具有韧性的特征。此外,我们将讨论收缩自动编码器 (CAEs),它们明确地惩罚所学特征对微小输入变化的敏感度。

通过理解和实施这些方法,您将能够构建泛化能力更好、并能为各种任务学习更有用表示的自动编码器模型。我们将比较这些技术并提供实际的实施指导,包括去噪自动编码器和稀疏自动编码器的动手练习。

课程章节

  • 3.1 处理自编码器中的过拟合

  • 3.2 稀疏自编码器:L1 和 KL 散度

  • 3.3 去噪自编码器架构与训练

  • 3.4 收缩自编码器公式

  • 3.5 正则化技术的比较

  • 3.6 实施去噪自编码器:动手实践

  • 3.7 实现稀疏自编码器:实践操作

© 2026 ApX Machine Learning