decode

Класс: Автоэнкодер

Декодируйте закодированные данные

развернуть все на странице

Синтаксис

Y = decode(autoenc,Z)

Описание

пример

Y = decode(autoenc,Z)возвращает декодированные данные Y, с использованием автоэнкодера autoenc.

Входные параметры

расширить все

`autoenc` - Обученный автоэнкодер
`Autoencoder` объект

Обученный автоэнкодер, возвращенный trainAutoencoder функционирует как объект Autoencoder класс.

`Z` - Данные, закодированные `autoenc`
матрица

Данные, закодированные autoenc, заданный как матрица. Каждый столбец Z представляет закодированную выборку (наблюдение).

Типы данных: single | double

Выходные аргументы

расширить все

`Y` - Декодированные данные
матрица | массив ячеек данных изображений

Декодированные данные, возвращенные в виде матрицы или массива ячеек данных изображения.

Если автоэнкодер autoenc был обучен на массиве ячеек с данными изображений, затем Y также является массивом ячеек изображений.

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

Примеры

расширить все

Декодируйте закодированные данные для новых изображений

Открыть скрипт

Загрузите обучающие данные.

X = digitTrainCellArrayData;

X представляет собой массив ячеек 1 на 5000, где каждая камера содержит матрицу 28 на 28, представляющую синтетическое изображение рукописной цифры.

Обучите автоэнкодер, используя обучающие данные 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 с автоэнкодера.

Y = decode(autoenc,features);

Y представляет собой массив ячеек 1 на 5000, где каждая камера содержит матрицу 28 на 28, представляющую синтетическое изображение рукописной цифры.

Алгоритмы

Если вход автоэнкодера является вектором $x \in ℝ^{D_{x}}$ , затем энкодер преобразует вектор x в другой вектор $z \in ℝ^{D^{(1)}}$ следующим образом:

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

где верхний индекс (1) указывает на первый слой. $h^{(1)} : ℝ^{D^{(1)}} \to ℝ^{D^{(1)}}$ является передаточной функцией для энкодера, $W^{(1)} \in ℝ^{D^{(1)} \times D_{^{x}}}$ является весовой матрицей, и $b^{(1)} \in ℝ^{D^{(1)}}$ является вектором смещения. Затем декодер преобразует закодированное представление z назад в оценку исходного входного вектора, x, 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, $W^{(1)} \in ℝ^{D_{^{x}} \times D^{(1)}}$ является весовой матрицей, и $b^{(2)} \in ℝ^{D_{x}}$ является вектором смещения.

См. также

encode | trainAutoencoder

Введенный в R2015b

Документация

decode

Синтаксис

Описание

Входные параметры

`autoenc` - Обученный автоэнкодер
`Autoencoder` объект

`Z` - Данные, закодированные `autoenc`
матрица

Выходные аргументы

`Y` - Декодированные данные
матрица | массив ячеек данных изображений

Примеры

Декодируйте закодированные данные для новых изображений

Алгоритмы

См. также

Документация по Deep Learning Toolbox

Поддержка

Документация

decode

Синтаксис

Описание

Входные параметры

autoenc - Обученный автоэнкодер Autoencoder объект

Z - Данные, закодированные autoenc матрица

Выходные аргументы

Y - Декодированные данные матрица | массив ячеек данных изображений

Примеры

Декодируйте закодированные данные для новых изображений

Алгоритмы

См. также

Документация по Deep Learning Toolbox

Поддержка

`autoenc` - Обученный автоэнкодер
`Autoencoder` объект

`Z` - Данные, закодированные `autoenc`
матрица

`Y` - Декодированные данные
матрица | массив ячеек данных изображений