机器学习---自编码器

自编码器过程

输入一个图片,经过encoder变成一个向量,再通过decoder将这个向量反向生成输入的图片。

这里我们希望输入和输出越接近越好。这个过程我们称为重建。

特点:不需要任何的标注资料。

在2006年这个思想就被提出来了:

常见变形:试图还原加入噪声之前的图片---消除噪声的功能

自编码器不仅用在图像上,也可以用在音频、文本中。

FD技术希望可以在压缩完的数据中分析出对应的信息类型。

应用场景

不可能在实现每一句话都找两个人同时发音记录,我们期望两个人记录一些对话之后就可以训练一个模型,任何语音都可以实现转化。

技术实现:

可以实现将声音和内容进行互换:

应用:Discrete Representation

应用:text as representation

可以实现摘要总结,但是这个摘要属于EN和DN之间的暗号,我们直接查看是看不懂的,所以我们应该怎么做呢?

应用:压缩技术

应用:异常检测

相关推荐
唠点键盘之外的3 小时前
15 微调 vs RAG:到底怎么选
人工智能·机器学习·面试·aigc
具身AGI3 小时前
人机协同预训练:三条路线,一条拉开差距
人工智能
东风破_3 小时前
LangSmith:从链路追踪到 RAG 自动化评估
人工智能
东方芷兰4 小时前
Agent 技术摘要 04 —— AI4S、VLM、VLA、VLN、WM、AI Infra
人工智能
catchadmin4 小时前
用 Jev 与 Laravel AI SDK 检测垃圾邮件和自动回复
数据库·人工智能·laravel
一 铭4 小时前
Pi实战 05:本地模型 · MCP · 安全沙箱篇
人工智能·ai·agent·harness
198******126344 小时前
2026企业AI办公工具选型指南:从评估框架到场景适配
大数据·运维·人工智能
OxYGC4 小时前
[AI工程]Jev 决策模型第二篇:三原语、一次多问与置信度路由,从 Playground 到能上线的代码
人工智能
楚来客4 小时前
AI基础概念之十四:时空Transformer架构
人工智能·深度学习·transformer
u1301304 小时前
AI 日报(2026年10月2日)
人工智能