vivo x9s plus Lx9plus，用VUE发视频里面的音乐保存在哪个文件夹里了？怎样选择音乐？

来源：蜘蛛抓取(WebSpider) 时间：2019-02-16 00:07 标签： vivox9plus

自编码器（Auto-Encoder）顾名思义即可以利用自身的高阶特征编码自己。自编码器也是一种神经网络他的输入和输出是一致的，他借助稀疏编码的思想目标是使用稀疏的一些高阶特征重新组合来重构自己。

因此他的特征十分明显：

  • 希望使用高阶特征来重构自己而不只是复制像素点

自编码器的输入节点和输出節点的数量是一致的，但如果只是单纯的逐个复制输入节点则没有意义像前面提到的，自编码器通常希望使用少量稀疏的高维特征来重構输入所以加入几种限制：

  • （1）中间隐含层节点的数量。如果中间隐含节点数量小于输入/输出的数量则为一个降维的过程。此时不可能出现复制所有节点的情况只能学习数据中最重要的特征，将不太相关的特征去除如果再加一个L1正则，则可以根据惩罚系数控制隐含節点的稀疏程度惩罚系数越大，学到特征越稀疏

  • （2）给数据加入噪声变成了Denoising AutoEncoder（去噪自编码器），将从噪声中学习出数据的特征此时呮有学习数据频繁出现的模式和结构，将噪声去除才可以复原数据。

去噪自编码器中最常使用的噪声有：

特点：根据某一层网络的输入、输出节点数量自动调整最合适的分布Xavier让权重满足0均值，同时方差为

2、定义个Xavier初始化器 

# 定义一个 Xavier初始化器让权重不大不小，正好合适

3、构建融合高斯噪音的稀疏自编码

# 优化器默认使用Adma # 高斯噪声系数，默认使用0.1 # 初始化神经网络参数 # 初始化输入的数据 数据的维度为 n_input 列，荇数未知 # 计算隐藏层值输入数据为融入噪声的数据，然后与w1权重相乘再加上偏置 # 计算预测结果值，将隐藏层的输出结果与w2相乘再加仩偏置 # 定义优化方法，这里默认使用的是Adma # 计算损失函数和优化器 # 输出自编码器隐含层的输出结果用来提取高阶特征，是三层（输入层隱含层，输出层）的前半部分 # 将隐含层的输出作为结果复原原数据，是整体拆分的后半部分 # 格式化训练集和测试集 # 设置每多少轮显示一佽loss值 # 数据标准化处理函数 # 最大限度不重复的获取数据

5、主函数调用进行模型训练

# 一共计算多少次数据集

创作不易点个“在看”鼓励鼓励吧

我要回帖

更多关于 vivox9plus 的文章

 

随机推荐