TensorFlow +OpenVINO 整合开发CR-A10-DAE也是补值 创作高手

目目录1.觀摩：一般A面E對MissingData3.細觀潛藏空間H向量的變化4.演練：多層DAE模型6.范例实现-17.范例实现-211AE面对MissingData复习AE(Autoencoder)•在上一集里，您已经看到了，一般典型的AE就具更上一层楼。•于此先复习一下AE的基本性质，然后看看它如何AE面对MissingData•先从AE说起。例如有一个AE模型(dae01.py)：训练资料XEncoderHDecoderYX•得出Encoder和Decoder：XEncoderH y00.970.06-0.9610.121.012xyyxxy00.970.06-0.9610.121.012xyyxx0000111122y00.970.06-0.9610.121.012xyyxxy00.970.06-0.9610.121.012xyyxx0000111122y04.160.970.06-0.92-0.960.861.890.12-1.211.012y04.160.970.06-0.92-0.960.861.890.12-1.211.0122.87xxyy0000 x x1122AE面对MissingData检验一下这个AE模型••准备测试资料。XEncoderHDecoderYAE面对MissingData•实际操作dae01.py：AE面对MissingData•正确地还原了。AE面对MissingData使用MissingData来测试•刚才的输入资料，都是完整的。AE面对MissingData使用MissingData来测试a某些特征值某些特征值遗失了YYMissingDataAE面对MissingDataAE面对MissingDataAE面对MissingDatangngData进行预测(补值)很好补很好补值ngngData进行预测(补值)不理想不理想的补值!不理想不理想的补值!22简介DAE(DenoisingAutoencoder)意，也就是把噪音<过滤>掉。•而本集所介绍DAE的过滤能力将更上一层楼。复习：典型的AE架构(输入值)(输出值)扩大为DAE架构•将上一节的一笔MissingData并入训练资料集：DecoderYXHDecoderY•按下<设定>和<学习>按钮，就展开学习：•得出Encoder和Decoder：HDecoderYYYMissingData•按下<设定>和<预测>按钮，就进行还原：•输出预测结果：改进了改进了提升补值能力了拿更多MissingData来训练它•按下<设定>和<学习>按钮，就进行训练：很不错很不错的补值33H向量的意义E自编码器。•DAE通过学习原始数据和损坏数据的共同潜在表示。(…learningcommonlatentrepresentationovertheoriginalandcorrupteddata.)(…learningcommonlatentrepresentationovertheoriginalandcorrupteddata.)•俗语说：万变不离其宗。•这个<宗>就是共同潜在的表示(Commonlatentrepresentation)涵意。请看一个简单的AE模型(dae02.py)•按下<学习>按钮，就进行训练：展开训练•得出Encoder和Decoder：潜藏空间H向量的变化准备预测•按下<预测>按钮，就进行预测：很不错的预测很不错的预测•输出结果：检验一下它的补值能力•刚才是拿完整的资料来预测。•现在改拿MissingData来进行补值。基于一样的Encoder和Decoder：潜藏空间H向量的变化实际操作•按下<设定>和<预测>按钮，就进行补值：•输出结果：不理想不理想的补值!•将上节的3笔MissingData并入训练资料集：•按下<设定>和<学习>按钮，就展开学习：•得出Encoder和Decoder：潜藏空间H向量的变化实际操作•按下<设定>和<预测>按钮，就进行补值：很棒的补值很棒的补值•输出结果：拿更多MissingData来让它补值•刚才是拿训练过的资料来补值。•现在改拿没有训练过的MissingData来补值。基于一样的Encoder和Decoder：潜藏空间H向量的变化实际操作•按下<设定>和<预测>按钮，就进行补值：很好补值很好补值•输出结果：不理想的补值!不理想的补值!•输出结果：不理不理想的补值!44•这样可以增强DAE的过滤(和补值)能力，如下图：Autoencoder/>•这样可以增强DAE的过滤(和补值)能力，如下图：12不理不理想的补值!•将刚才MissingData并入训练资料集：很棒的很棒的补值!55典型的DAE•隐藏层神经元个数少于输入层的神经元个数，如：典型的DAE•隐藏层神经元个数少于输入层的神经元个数，如：OvercompleteDAE•隐藏层神经元个数多于输入层的神经元个数，如：1yf1yf范例•举一个更简单的UndercompleteDAE模型：f0y0HH11实际操作：建立一个DAE模型(dae04.py)OvercompleteDAE进行训练，并补值：很好的补值很好的补值征>值：如果遗失了<显着特征>值：实际操作(建立模型)OvercompleteDAE进行训练，并补值：不理想的补值!不理想的补值!进行训练，并补值：y0 0ffy0 0ff建立一个OvercompleteDAE模型：hh11y11yhh3实际操作(建立模型)OvercompleteDAE进行训练，并补值：OvercompleteOvercompleteDAE进行训练，并补值：很很好的补值66范例实现-1范例实现-1AE的过滤效果：降噪(Denoising)片愈清晰，让人愈容易理解。例如，正确理解医学X光、MRI等图像信息，是很有意义的。•AI模型透过特征提取来过滤不重要特征，保留显着特征，再对非显着特征进行补值，谓之：生成(generating)。范例实现-1AE的过滤效果：降噪(Denoising)•其<过滤>(降噪)能力愈强，生成的图像会愈清晰。XH范例实现-1AE的过滤效果：降噪(Denoising)范例实现-1AE的过滤效果：降噪(Denoising)NISTx28的形式，共有784个像素。也就是有784个特征。ST常常被用来训练各种相关的AI模型。Trainingdata训练Trainingdata范例实现-1AE模型AE模型撰写Python代码范例实现-1撰写Python代码预测(还原)范例实现-1拿测试图像集来测试•现在拿测试图像，来检测AE模型。Testingdata测试范例实现-1输出预测(还原)效果范例实现-1对测试图像增添噪音•刚才的测试图像是完整的，没有添加噪音。范例实现-1准备的受损(添加噪音)的测试图像Corrupteddata范例实现-1使用增添噪音的图像来测试•现在，就要拿<添加随机性噪音>的受损图像，来检测看看AE模型的预测(还原)效果。Corrupteddata范例实现-1AE模型AE模型撰写Python代码预测(还原)77训练训练现在，来设计一个用DAE模型范例实现-1准备的受损(添加噪音)的测试图像•现在，就要拿<添加随机性噪音>的受损图像，来检测看看DAE模型的预测(还原)效果。测试范例实现-1AEPythonSampleApy AE模型范例实现-1AE模型范例实现-1预测(还原)范例实现-1范例实现-1实际运行，并绘出还原的图像AEDAE88优化模型：使用ModelOptimizer行优化动作。•优化完成，会输出IR档案。作区Windows窗口出发：nvinodeploymenttoolsmodeloptimizerModelOptimizer的工作区了：.1输入命令，优化DAE.pbpythonmo_tf.py--input_model“C:\\pb\\DAE.pb”--output_dir“C:\\pb\\”--input_shape[1,7