问题标签 [autoencoder]

我目前正在使用在卷积网络上运行良好的生成器。但是，当我使用相同的生成器来拟合自动编码器时，会出现以下错误。

我的代码如下

我对生成器所做的唯一更改是将类模式设置为无。将课堂模式保持为“二进制”也无济于事。由于 fit 生成器需要一个元组，我尝试将 (train_generator, train_generator) 和 (valid_generator,valid_generator) 作为参数传递给 fit_generator。

在这种情况下出现以下异常

检查模型输入时出错：数据应该是 Numpy 数组，或 Numpy 数组的列表/字典。成立：

但似乎没有任何效果。不知道我错过了什么。作为一个 keras 新手，任何帮助将不胜感激。

谢谢SK

张量流中有稀疏自动编码器的例子吗？我能够从这里运行并理解正常的https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/autoencoder.py

对于稀疏，我只需要修改成本函数吗？

我对此知之甚少，但是有一种方法可以在 Weka 中使用稀疏自动编码器吗？目前，我刚刚使用了 MPLAutoencoder，不确定是否也可以将其配置为稀疏。谢谢你。

我有11002 个班级的序列。其中400来自一个class 1和700来自class 2。我使用了一个隐藏层的2神经元自动编码器来捕获我的特征。我的初始特征是每个序列的三元组。因此，对于每个序列，我都有6860三元组。结果，我的大多数输入向量都是稀疏向量。

现在，如果我计算这个网络的参数，我有

现在，与我的数据点数量相比，参数太多了。因此，我使用了0.98, onlayer 1->hidden layer的dropout 值，hidden layer->output layer它决定13720 * 0.02 = 274了每一层的参数数量和总548参数。

现在，经过训练，我在我的500序列测试数据上尝试了编码器，并提取了二维数据的隐藏层。然后我在另一个 5 个神经元的单隐藏层神经网络上使用该数据进行分类。我的结果非常好，因为我正在绕过90%准确性。

我的问题是我的自动编码器是否过度拟合？我是否通过使用另一个神经网络过度拟合？我担心我的数据点数量少。我使用 dropout 是否合理？

我正在使用基于 Theano 的自动编码器做一些工作，将输入作为来自高斯混合的样本，一个隐藏层。我希望输出与输入相同，但我没有实现。我受到本教程的启发以进行实施。只有一个隐藏层的自动编码器是否也足以恢复输出的精确副本？

我的代码如下所示：

在下面的代码中，他们使用自动编码器作为监督聚类或分类，因为它们有数据标签。 http://amunategui.github.io/anomaly-detection-h2o/ 但是，如果我没有标签，我可以使用自动编码器对数据进行聚类吗？问候

我一直在阅读自动编码器，并且在构建解码器时我看到的所有示例都反映了编码器部分。

这只是惯例吗？

是否有任何特定原因解码器不应具有与编码器不同的隐藏层结构。例如...

只要输入和输出匹配。

也许我错过了一些明显的东西。

我正在使用 tflearn 创建一个自动编码器，现在我想使用 RBM 的学习参数（np.array）初始化权重和偏差。

我尝试了以下方法：

为了

但我总是得到错误

如果我使用：

我收到错误：

有人可以提出一些建议吗？

因此，我正在尝试为大约 200 首歌曲（每首歌曲约 3-5 分钟）的片段学习固定向量表示，并希望为此使用基于 LSTM 的序列到序列自动编码器。

我正在预处理音频（使用 librosa），如下所示：

1. 我首先只是得到每首歌曲大约 (1500000,) - (2500000,) 形状的原始音频信号时间序列。
2. 然后，我将每个原始时间序列切成片段，并获得每首歌曲形状 (512, 3000) - (512, 6000) 的较低级别的 mel 频谱图矩阵。这些 (512,) 向量中的每一个都可以称为“迷你歌曲”，因为它们代表歌曲的各个部分。
3. 我将所有歌曲的所有这些迷你歌曲垂直堆叠在一起以创建训练数据（我们称之为X）。X 的大小是 (512, 600000)，其中第一个维度 (512) 是窗口大小，第二个维度 (600000) 是数据集中“迷你歌曲”的总数。
4. 也就是说，X 中大约有 600000 首迷你歌——X 中的每一列代表一首长度为 (512,) 的迷你歌。
5. 这些 (512,) 个迷你歌曲向量中的每一个都应该被编码为每个迷你歌曲的 (50,) 个向量，即在过程结束时我们将有 600000 (50,) 个向量。
6. 用更标准的术语来说，我有 600000 个训练样本，每个长度为 512。[认为这类似于图像数据集 - 600000 个图像，每个长度为 784，其中图像的分辨率为 32x32。除了在我的情况下，我想将 512 长度的样本视为具有时间属性的序列。]

我在这里阅读了这个例子，并希望为我的用例扩展它。我想知道应该将图层的timesteps和input_dim参数设置为什么。Input

我正在设置timesteps = X.shape[0]（即在这种情况下为 512）和input_dim = X.shape[1]（即 600000）。这是正确的方法吗？

编辑：在上面添加了说明。

我使用 MATLAB 研究堆叠稀疏自动编码器。谁能建议堆叠稀疏自动编码器参数应采用哪些值：
L2 权重正则化（Lambda）稀疏正则化（Beta）稀疏比例（Rho）。