术语表

自动编码器

了解自动编码器如何利用先进的人工智能技术压缩数据、降低噪音并实现异常检测、特征提取等功能。

自动编码器是一种人工神经网络（NN），主要用于无监督学习任务。它的主要目标是通过训练网络重构自己的输入，学习输入数据的高效表示（编码），通常用于降维或特征提取。它通过将输入压缩到低维潜在空间，然后根据压缩后的表示重建输出来实现这一目标。

自动编码器的工作原理

自动编码器由两个主要部分组成：编码器和解码器。

网络通过最小化原始输入和重构输出之间的差异来进行训练，通常用平均平方误差 (MSE) 等损失函数来衡量。瓶颈层迫使网络学习紧凑而有意义的表示，因为它必须保留足够的信息才能有效地重建输入。

自动编码器有几种变体，每种都是为特定目的而设计的：

去噪自动编码器：经过训练，可从损坏或噪声版本中重建干净的原始输入。这使得它们在降噪任务中非常有用。
稀疏自动编码器：在训练过程中引入稀疏性约束，鼓励网络学习在任何时候都只有少数节点处于活动状态的表征。
变异自动编码器（VAE）：一种生成模型，可学习潜空间的概率分布，从而生成与训练数据类似的新数据样本。VAE 与另一种流行的生成技术生成对抗网络 (GAN) 有很大不同。
收缩自动编码器：旨在学习对输入数据的微小变化具有鲁棒性的表征。

自动编码器在各个领域都有应用：

异常检测：通过学习数据中的正常模式，自动编码器可以识别异常或异常值输入，这些输入会导致较高的重构误差。这可用于欺诈检测和工业质量控制。例如，检测可能预示着网络攻击的异常网络流量模式。
图像去噪和压缩去噪自动编码器可以清除嘈杂的图像，而标准自动编码器则可以通过只存储潜在表示来压缩图像。例如，恢复受大气干扰影响的老照片或卫星图像的清晰度。了解计算机视觉如何用于分析卫星图像。
降维：学习到的潜在表征可以作为输入其他机器学习（ML）模型的紧凑特征，从而提高性能并降低计算成本。尽管自动编码器可以捕捉到更复杂的非线性关系，但它通常可与主成分分析（PCA）等技术相媲美。
数据生成（VAE）：变异自动编码器可以生成新的合成数据样本，在艺术生成或创建训练数据增强等领域非常有用。进一步探索合成数据。

自动编码器通常使用深度学习框架来实现，例如 PyTorch或 TensorFlow.架构通常涉及用于图像数据的卷积神经网络（CNN）或用于序列数据的递归神经网络（RNN）。可以使用Ultralytics HUB等平台或实验跟踪工具管理和跟踪这些模型的训练，例如 Weights & Biases或MLflow 等实验跟踪工具来管理和跟踪这些模型的训练。有关模型训练的更多详情，请查阅Ultralytics 文档。