自编码网络与全卷积网络的差异

Question

自动编码器网络和全卷积网络的主要区别是什么？请帮助我理解这两个网络的架构之间的区别？

Answer 1

自动编码器至少有一个隐藏的完全连接层，它“通常被称为代码、潜在变量或潜在表示”维基百科。实际上，自动编码器根本不需要是卷积网络-- 维基百科只说明它们是前馈非递归网络。

另一方面，完全卷积网络没有任何完全连接的层。有关更多细节，请参见维基百科和本文由Cicek等人撰写。 (本文对网络进行了很好的可视化)。

因此，即使在自动编码器网络中的编码器和解码器都是CNN时，它们之间也至少有一个完全连接的隐藏层。因此，自动编码器网络不是FCNs。

Answer 2

1] AutoEncoder :

• 自动编码是一种降维技术。
• 它由编码器和解码器两部分组成。
• Enocder将原始数据映射到隐藏表示(潜在空间表示)
• 解码器将隐藏的表示映射回原始数据。
• 网络会自动学习这个隐藏表示，而这个隐藏表示则是数据中最重要的特性。
• 因此，原始数据作为编码器的输入，并输出潜在空间表示。
• 现在编码器的输出是译码器的输入，解码器将尝试重新生成原始数据。
• 自动编码器是一种无监督学习方式。
• 下面是在编码器网络中使用卷积层和在解码器网络中使用反卷积层的自动编码器的图表。

​

2] 卷积网络：

• 图像采用卷积网络
• 在卷积网络中，使用滤波器集进行卷积。
• 过滤器是跨数据共享的。
• 这意味着数据共享权重。
• 过滤器的每个像素值都是一个权重。
• 要了解卷积操作，请查看此链接zFhWdM4ic
• 每个卷积层都做这个卷积操作。
• 卷积网络是一种有监督的学习方式。
• 卷积网络使用池操作进行下采样。
• 下面是卷积网络图。

​

• 在上面的图表中，分类器通常是一个完全连接的层。
• 但是，没有必要将完全连接的层作为分类器。您可以使用其他分类器。
• 为了理解卷积网络和MLP网络之间的区别，您可以参考以下内容：http://cs231n.github.io/convolutional-networks/

3] 完全连接层：

• 这些是带有神经元的简单层
• 每个神经元都有一组基于输入的权重。
• 下面是完全连接的图层图。

​

​