15: 自动编码器

我们首先深入研究卷积自动编码器并探索卷积的概念。卷积帮助神经网络理解问题的结构，从而更容易解决问题。我们学习如何使用核（kernel）对图像应用卷积，并讨论 im2col、填充（padding）和步幅（stride）等技术。我们还使用顺序模型从零开始创建一个 CNN，并在 GPU 上对其进行训练。

然后，我们尝试构建一个自动编码器，但遇到了速度和准确性问题。为了解决这些问题，我们引入了 Learner 的概念，它允许更快地进行实验并更好地理解模型的性能。我们创建一个简单的 Learner 并演示它在多层感知器 (MLP) 模型中的使用。

最后，我们讨论了理解 Python 概念的重要性，例如 try-except 块、装饰器（decorators）、getattr 和调试（debugging），以减轻学习正在构建的框架时的认知负荷。

讨论的概念

  • 卷积自动编码器
  • 卷积与核（kernel）
  • Im2col 技术
  • CNN 中的填充（padding）和步幅（stride）
  • 感受野
  • 从零构建 CNN
  • 创建 Learner 以进行更快实验
  • Python 概念：try-except 块、装饰器（decorators）、getattr 和调试（debugging）
  • 学习中的认知负荷理论

视频

课程资源