سحبتان على كل كود (انظر إليه)
لماذا هذا مهم الحل هو جعل الأكواد تملأ المساحة بشكل معروف، بحيث تهبط النقاط العشوائية من ذلك الشكل في المكان الذي تعلم فيه فك التشفير الرسم. A variational autoencoder (VAE) يفعل ذلك بسحبين على كل كود.
شاهد المشهد أولا. كل شخصية هي رقم اختبار واحد، مرسوم حيث تضعه أرقام الكود الخاصة به، كأنه الرقم نفسه؛ الأرقام 7 ملونة لتتمكن من متابعة مجموعة واحدة.
- اسحب 1، أعد البناء جيداً: يجب أن تبقى رموز الأرقام المختلفة منفصلة، وإلا فلن يتمكن decoder من التمييز بينها.
- اسحب 2، ابقَ بالقرب من المركز: كل كود يتم سحبه نحو المركز ويصبح ضبابياً قليلاً (سحابة صغيرة، ليست نقطة)، لذا تملأ الأكواد منحنى الجرس N(0, 1) حول المركز بدون فجوات.
Sampling تعني بعد ذلك: سحب نقطة من N(0, 1) وفك تشفيرها. ولأن الأكواد تملأ تلك المنطقة، فإن النقطة تستقر في مكان يعرفه فك التشفير.
في الـ VAE، يعطي الـ encoder شيئين لكل رقم كود: مركز mu وانتشار، يكتب كـ logvar (لوغاريتم مربع الانتشار، والذي يمكن أن يكون أي رقم). الكود هو سحب من N(mu, spread). يقوم gen.train_vae بتدريب واحد؛ ويقوم rebuild_weight و weight بتحديد قوة كل سحب.
توقع أولا: إذا قمت بإزالة pull 2، ماذا سيحدث للأكواد؟ إذا قمت بإزالة pull 1؟
الكلمات والرموز في هذا الدرس
- autoencoder
- مشفر يضغط صورة إلى بضعة أرقام ومفكك شفرة يعيد بناءها
- كود (كامِن)
- الأرقام القليلة التي ينتجها encoder من صورة واحدة
- VAE
- variational autoencoder: هو autoencoder يتم سحب الرموز الخاصة به لملء N(0, 1)، لذا تقوم الرموز العشوائية بفك تشفيرها إلى صور جديدة
- mu, logvar
- المركز ولوغاريتم التباين المربع لرقم كود في VAE
اضبط guess لكلتا الإزالتين على أحد "spread out" أو "all at the centre" أو "no change". ثم درّب ثلاثة VAE برقمين (ثانية أو ثانيتين لكل منها في المتصفح) واملأ spread بمتوسط بُعد رموز الاختبار عن المركز، وnoise بمتوسط التشتّت exp(logvar / 2)، لكل منها.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.