декодировать

Класс: автоэнкодер

Декодируйте закодированные данные

расширьте все на странице

Синтаксис

Y = decode(autoenc,Z)

Описание

пример

Y = decode(autoenc,Z)возвращает декодируемые данные Y, с помощью автоэнкодера autoenc.

Входные параметры

развернуть все

`autoenc` — Обученный автоэнкодер
Объект `Autoencoder`

Обученный автоэнкодер, возвращенный trainAutoencoder, функционирует как объект класса Autoencoder.

`Z` Данные закодированы `autoenc`
матрица

Данные закодированы autoenc, заданным как матрица. Каждый столбец Z представляет закодированную выборку (наблюдение).

Типы данных: single | double

Выходные аргументы

развернуть все

`Y` Декодируемые данные
матрица | массив ячеек данных изображения

Декодируемые данные, возвращенные как матрица или массив ячеек данных изображения.

Если автоэнкодер, autoenc был обучен на массиве ячеек данных изображения, то Y является также массивом ячеек изображений.

Если автоэнкодер, autoenc был обучен на матрице, то Y является также матрицей, где каждый столбец Y соответствует одной выборке или наблюдению.

Примеры

развернуть все

Декодируйте закодированные данные для новых изображений

Открыть скрипт

Загрузите данные тренировки.

X = digitTrainCellArrayData;

X является 1 5000 массивом ячеек, где каждая ячейка содержит 28 28 матрица, представляющая синтетическое изображение рукописной цифры.

Обучите автоэнкодер с помощью данных тренировки со скрытым размером 15.

hiddenSize = 15;
autoenc = trainAutoencoder(X,hiddenSize);

Извлеките закодированные данные для новых изображений с помощью автоэнкодера.

Xnew = digitTestCellArrayData;
features = encode(autoenc,Xnew);

Декодируйте закодированные данные из автоэнкодера.

Y = decode(autoenc,features);

Y является 1 5000 массивом ячеек, где каждая ячейка содержит 28 28 матрица, представляющая синтетическое изображение рукописной цифры.

Алгоритмы

Если вход к автоэнкодеру является вектором $x \in ℝ^{D_{x}}$ , затем энкодер сопоставляет векторный x с другим вектором $z \in ℝ^{D^{(1)}}$ можно следующим образом:

$z = h^{^{(1)}} (W^{(1)} x + b^{(1)}),$

где верхний индекс (1) указывает на первый слой. $h^{(1)} : ℝ^{D^{(1)}} \to ℝ^{D^{(1)}}$ передаточная функция для энкодера, $W^{(1)} \in ℝ^{D^{(1)} \times D_{^{x}}}$ матрица веса, и $b^{(1)} \in ℝ^{D^{(1)}}$ вектор смещения. Затем декодер сопоставляет закодированное представление z назад в оценку исходного входного вектора, x, можно следующим образом:

$\hat{x} = h^{^{(2)}} (W^{(2)} z + b^{(2)}),$

где верхний индекс (2) представляет второй слой. $h^{(2)} : ℝ^{D_{x}} \to ℝ^{D_{x}}$ передаточная функция для декодера, $W^{(1)} \in ℝ^{D_{^{x}} \times D^{(1)}}$ матрица веса, и $b^{(2)} \in ℝ^{D_{x}}$ вектор смещения.

Смотрите также

encode | trainAutoencoder

Документация

декодировать

Синтаксис

Описание

Входные параметры

`autoenc` — Обученный автоэнкодер
Объект `Autoencoder`

`Z` Данные закодированы `autoenc`
матрица

Выходные аргументы

`Y` Декодируемые данные
матрица | массив ячеек данных изображения

Примеры

Декодируйте закодированные данные для новых изображений

Алгоритмы

Смотрите также

Введенный в R2015b

Документация Deep Learning Toolbox

Поддержка

Документация

декодировать

Синтаксис

Описание

Входные параметры

autoenc — Обученный автоэнкодер Объект Autoencoder

Z Данные закодированы autoenc матрица

Выходные аргументы

Y Декодируемые данные матрица | массив ячеек данных изображения

Примеры

Декодируйте закодированные данные для новых изображений

Алгоритмы

Смотрите также

Введенный в R2015b

Документация Deep Learning Toolbox

Поддержка

`autoenc` — Обученный автоэнкодер
Объект `Autoencoder`

`Z` Данные закодированы `autoenc`
матрица

`Y` Декодируемые данные
матрица | массив ячеек данных изображения