Автоэнкодеры в Keras, Часть 1: Введение

[AlexSerbul]

Спасибо за пост, очень актуальная тема!

[iphysic]

Рад, что вы так считаете! Буду стараться дальше.

[iamtodor]

autoencoder.fit(x_train, x_train,
                epochs=50,
                batch_size=256,
                shuffle=True,
                validation_data=(x_test, x_test))

Кажется, здесь ошибка:

• x_train, x_train -> x_train, y_train
• x_test, x_test -> x_test, y_test

[iphysic]

Энкодер восстанавливает вход на выходе, это не задача классификации. А «y» тут вообще не нужны нигде (до conditional моделей), в «у» просто лейблы цифр лежат.

[Tagere]

Спасибо, отличные статьи. Жду продолжения.

[iphysic]

До конца недели все будут!

[iamtodor]

это размеры изображения свойственны датасету MNIST. каждая картинка имеет размерность 28x28.
изменить, конечно, можно, но для MNIST код уже не рабочим будет.
вот цитата из следующией статьи из этой серии: Изображения цифр mnist (на которых примеры в прошлой части) — это элементы 28*28=784-мерного пространства, как и вообще любое монохромное изображение 28 на 28.

[iamtodor]

да, padding=same все верно

[SlavniyTeo]

Наверное, вы уже разобрались, но вдруг кому-то поможет.

Сверточный енкодер уменьшает размеры изображения до (7,7) благодаря слоям MaxPooling2D, каждый из которых уменьшает размер в (2,2) раз.

Сверточный декодер разворачивает код (7,7) до (28,28) благодаря двум слоям UpSampling2D, каждый из которых увеличивает размер в (2,2) раз.