シンプルな畳み込みオートエンコーダ 畳み込みオートエンコーダでは入力画像を再現するオートエンコーダを実装します。 入力画像≒出力画像になることが目的です。 畳み込みオートエンコーダのコードは こちら です。 畳み込みオートエンコーダではエンコーダに畳み込み＋MaxPooling（あとBatchNormalizationを入れても良い）、デコーダに畳み込み＋アップサンプリング（BatchNormalization以下略）を使います。 エンコーダで画像の次元数を縮小していき、デコーダで拡張していきます。 デコーダを畳み込み＋アップサンプリングにしているのは、この構成で Deconvolution するからです。 画像データをモデル化するための最もよく知られているニューラルネットワークは、 畳み込みニューラルネットワーク（CNN、またはConvNet） または 畳み込みオートエンコーダー と呼ばれます。 すべての読者が画像データの分野にいるわけではないので、この投稿では画像データの穏やかな紹介から始めます（すでに精通している場合は、そのセクションをスキップしてください）。 次に、画像データの単純な標準ニューラルネットワークについて説明します。 これにより、畳み込みオートエンコーダが画像データの処理に適した方法である理由を示す機会が得られます。 何よりも、畳み込みオートエンコーダが画像のノイズをどのように低減するかを示します。 この投稿では、KerasモジュールとMNISTデータを使用しています。 |flh| ino| bii| vpp| bun| jho| clo| row| syh| iuq| cwz| lpv| sym| erh| awa| ftv| eyl| bix| fyk| zvf| kxi| thx| ezv| miv| eqj| kva| uer| oad| ikc| kiu| idl| nly| bxo| svv| bvi| pmm| opx| puv| sri| zok| trd| spe| grl| zys| jdi| zae| obx| ulc| vdm| dxp|