Exponenta Banner

закодировать

Класс: автоэнкодер

Закодируйте входные данные

расширьте все на странице

Синтаксис

Z = encode(autoenc,Xnew)

Описание

пример

Z = encode(autoenc,Xnew) возвращает закодированные данные, Z, для входных данных Xnew, с помощью автоэнкодера, autoenc.

Входные параметры

развернуть все

Обученный автоэнкодер, возвращенный как объект класса Autoencoder.

Входные данные, заданные как матрица выборок, массив ячеек данных изображения или массив одних данных изображения.

Если автоэнкодер, autoenc был обучен на матрице, где каждый столбец представляет одну выборку, то Xnew должен быть матрицей, где каждый столбец представляет одну выборку.

Если автоэнкодер, autoenc был обучен на массиве ячеек изображений, то Xnew должен или быть массивом ячеек данных изображения или массивом одних данных изображения.

Типы данных: single | double | cell

Выходные аргументы

развернуть все

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

Типы данных: single | double

Примеры

развернуть все

Открыть скрипт

Загрузите выборочные данные.

X = digitTrainCellArrayData;

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

Обучите автоэнкодер со скрытым размером 50 использований данных тренировки.

autoenc = trainAutoencoder(X,50);

Закодируйте декодируемые данные для новых данных изображения.

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

Xnew является 1 5000 массивом ячеек. Z 50 5000 матрица, где каждый столбец представляет данные изображения одной рукописной цифры в новых данных Xnew.

Алгоритмы

Если вход к автоэнкодеру является вектором x∈ℝDx, затем энкодер сопоставляет векторный x с другим вектором z∈ℝD(1) можно следующим образом:

z=h(1)(W(1)x+b(1)),

где верхний индекс (1) указывает на первый слой. h(1):ℝD(1)→ℝD(1) передаточная функция для энкодера, W(1)∈ℝD(1)×Dx матрица веса, и b(1)∈ℝD(1) вектор смещения.

Смотрите также

| |

Введенный в R2015b

Документация Deep Learning Toolbox
Поддержка