مثال 4: تولید چهره‌های جدید با VAE

VAE (Variational Autoencoder) می‌تواند توزیع نهفته داده‌ها را یاد بگیرد و چهره‌های مصنوعی تولید کند.

اصلاح فرمول نمونه‌گیری در VAE

مثال 3: حذف نویز از تصاویر پزشکی با Denoising Autoencoder (DAE)

در تصاویر پزشکی مانند MRI و CT Scan، نویز باعث کاهش دقت تشخیص بیماری‌ها می‌شود. DAE می‌تواند ساختار اصلی تصویر را بدون نویز بازسازی کند.

اضافه کردن نویز به داده‌ها و استفاده از Data Augmentation

import numpy as np

from tensorflow.keras.preprocessing.image import ImageDataGenerator

مثال 2: کاهش ابعاد داده‌های ژنومی با Autoencoder

مقدمه

در مسائل بیوانفورماتیک، داده‌های ژنومی معمولاً شامل هزاران ویژگی (ژن) هستند که پردازش آن‌ها به‌صورت مستقیم دشوار است. Autoencoder می‌تواند با یادگیری یک نمایش فشرده، ویژگی‌های مهم را حفظ کرده و ابعاد داده‌ها را کاهش دهد.

چرا Autoencoder و نه PCA؟

·       PCA  تنها روابط خطی را مدل می‌کند، درحالی‌که Autoencoder روابط غیرخطی را هم می‌آموزد.
 

·       در PCA، داده‌ها به ترکیب‌های خطی از ویژگی‌های اصلی کاهش می‌یابند، اما Autoencoder یک نمایش بهینه‌تر را در Bottleneck یاد می‌گیرد.
 

·       اندازه‌گیری کاهش خطای بازسازی در Autoencoder، برخلاف PCA، معیار مناسبی برای بررسی کیفیت نمایش فشرده است.

مثال 1: فشرده‌سازی و بازسازی تصاویر کاراکترهای دست‌نویس با Autoencoder

مسئله و هدف

در این مثال، قصد داریم از یک Autoencoder عمیق برای کاهش ابعاد تصاویر کاراکترهای دست‌نویس  مانند الفبای فارسی، عربی، یا انگلیسی و بازسازی آن‌ها با حداقل اتلاف اطلاعات استفاده کنیم. این روش می‌تواند در کاربردهایی مانند OCR  تشخیص کاراکتر نوری و بهینه‌سازی حافظه در سیستم‌های نهفته مؤثر باشد.

انواع اتوانکدرها _Part2

ادامه پست انواع اتوانکدر
۲.۲. قیود کم‌تراکم (Sparsity Constraint)
برای اعمال کم‌تراکم، معمولاً از یکی از روش‌های زیر استفاده می‌شود:

 مجازات L1 (L1 Regularization): افزودن مقدار L1-norm به تابع هزینه برای تشویق فعال شدن تعداد محدودی از نورون‌ها

 مجازات KL-Divergence: مقایسه توزیع خروجی نورون‌های نهان با یک توزیع هدف کم‌تراکم.

۲.۳. کاربردها
استخراج ویژگی‌های مهم از داده‌های تصویری و متنی
 تشخیص ناهنجاری‌ها در داده‌های پزشکی، مالی و امنیت سایبری
کاهش ابعاد داده‌ها با حفظ ویژگی‌های مهم