卷积自编码器如何学习多个类？（前数字数据）答案

【问题标题】：how convolutional autoencoder learns multiple class? (ex digit data)卷积自编码器如何学习多个类？（前数字数据）
【发布时间】：2023-08-03 03:20:01
【问题描述】：

我知道 CNN 自动编码器的工作原理，但突然觉得很奇怪。数字数据有 10 个类别，这意味着自动编码器不仅可以学习二进制，还可以学习多个类别。但是，我认为自动编码器只能学习一类...... 有没有人来解释这个？ :)

cnn 自动编码器示例（数字数据）：https://blog.keras.io/building-autoencoders-in-keras.html

【问题讨论】：

为什么是r 标签？
@desertnaut 还有 r 个用户可以使用 R keras 使用自动编码器 :)
确实如此，但是为什么要使用python 标签呢？另一方面，如果您的问题一般是关于自动编码器的，您应该只发布没有任何语言特定标签的帖子（尽管在这种情况下，问题很可能在这里偏离主题，可以说是您的问题）......
@desertnaut 谢谢。不管标签是什么，我也不明白你的问题。不管是r还是python都无所谓。

标签： keras autoencoder

【解决方案1】：

在此示例中，数据集中的类不相关。自动编码器只是尝试使输出图像与输入图像尽可能相似。

【讨论】：

感谢您的评论。如果是这样，如果我在自动编码器中学习小狗和猫的图像，我会成为一个只学习小狗和猫的自动编码器吗？例如，你会把大象的形象放在你的脑海中并表现出它很奇怪吗？
我的意思是，学习小狗和猫图像的自动编码器能否将小狗猫识别为真，将另一种动物（如大象）识别为假？

【解决方案2】：

谢谢大家，我只是尝试我的假设，我意识到它确实有效。也就是说，我将 (0,1) 数字作为 A 类， (0,1,2) 作为 B 类进行了自动编码器。然后经过学习，重建的图像显示数字图像“2”与0或1相比非常奇怪。因此，“2”与输入图像（0,1）不相似。正如@ml_is_just_statistics 所说，自动编码器只是将输入图像学习为一个类。

【讨论】：