taralino

Projektaufgabe

Abschließend kannst du Erfahrungen darin sammeln, einen Autoencoder zu trainieren. Dazu empfehlen wir das Mnist-Datenpaket, das Schwarz-Weiß-Bilder handgeschriebener Ziffern bestehend aus 28 x 28 = 784 Pixel bereitstellt:

Zur Referenz

Im nachfolgenden Quellcode werden Bilder einer Ziffer als Datensatz ausgelesen. Anschließend wird ein Autoencoder initialisiert und eine Trainingsphase gestartet. Ist die Trainingsphase abgeschlossen, werden zufällige Bilder gewählt, ausgewertet und dargestellt.

Mache dich zunächst mit dem Quellcode vertraut.
Variiere das Layout des Autoencoders sowie die Parameter der Trainingsphase.
Prüfe, ob sich (sinnvolle) neue Bilder von Zahlen generieren lassen.
Verwende als Trainingsdaten auch andere Ziffern oder sogar alle zehn Ziffern in einem Datensatz.

Hilfreich ist sicherlich die vollständige Referenz des Autoencoder-Pakets:

Zur Referenz

Zudem sei bemerkt, dass die Trainingsphase durchaus einige Zeit in Anspruch nehmen kann, um sinnvolle Ergebnisse zu erzielen.

Quellcode

Training eines Autoencoders unter Verwendung von Schwarz-Weiß-Bildern der Ziffer 1.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="Mnist.js"></script>
</head>
<body>
<script>

var Y = Mnist.get({filter:1});

Autoencoder.init([784,4], [4,784]);
Autoencoder.progress(Y, {iterations:100, batch_size:100});

/********************************************************
  Die Funktion on_training_done(T) wird aufgerufen,
  wenn die Trainingsphase abgeschlossen ist.
********************************************************/

function on_training_done(T) {
  for (var i = 0; i < 4; i++) {
    var k = Math.floor(random(0, Y.length));
    var M = Picture.vector(Y[k]);
    Picture.draw(M, {zoom:4});
    var N = Picture.vector(Autoencoder.evaluate(Y[k]));
    Picture.draw(N, {zoom:4});
  };
};

</script>
</body>
</html>

Vorschau Download Kopie speichern