decode

クラス: Autoencoder

(削除予定) 符号化されたデータの復号化

decode は将来のリリースで削除される予定です。詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

コードの更新に関するアドバイスについては、バージョン履歴を参照してください。

構文

Y = decode(autoenc,Z)

説明

Y = decode(autoenc,Z) は、自己符号化器 autoenc を使用して、復号化されたデータ Y を返します。

入力引数

autoenc — 学習済みの自己符号化器

Autoencoder オブジェクト

学習済みの自己符号化器。関数 trainAutoencoder によって Autoencoder クラスのオブジェクトとして返されます。

Z — autoenc で符号化されたデータ

行列

autoenc で符号化されたデータ。行列として指定します。Z の各列は符号化されたサンプル (観測値) を表します。

データ型: single | double

出力引数

Y — 復号化されたデータ

行列 | イメージ データの cell 配列

復号化されたデータ。イメージ データの行列または cell 配列として返されます。

イメージ データの cell 配列に対して自己符号化器 autoenc に学習させる場合、Y もイメージの cell 配列になります。

行列に対して自己符号化器 autoenc に学習させる場合、Y も行列になります。この場合、Y の各列は 1 つのサンプル、つまり観測値に対応します。

例

新しいイメージの符号化されたデータの復号化

学習データを読み込みます。

X = digitTrainCellArrayData;

X は 1 行 5000 列の cell 配列です。各セルには、手書きの数字の合成イメージを表す 28 行 28 列の行列が含まれます。

隠れサイズが 15 の学習データを使用して、自己符号化器に学習させます。

hiddenSize = 15;
autoenc = trainAutoencoder(X,hiddenSize);

自己符号化器を使用して新しいイメージの符号化されたデータを抽出します。

Xnew = digitTestCellArrayData;
features = encode(autoenc,Xnew);

自己符号化器からの符号化されたデータを復号化します。

Y = decode(autoenc,features);

Y は 1 行 5000 列の cell 配列です。各セルには、手書きの数字の合成イメージを表す 28 行 28 列の行列が含まれます。

アルゴリズム

自己符号化器への入力がベクトル $$x\in {ℝ}^{D_x}$$ である場合、符号化器は以下のようにベクトル x を別のベクトル $$z\in {ℝ}^{D^{\left(1\right)}}$$ にマッピングします。

$$z=h^{{}^{\left(1\right)}}\left(W^{\left(1\right)}x+b^{\left(1\right)}\right),$$

ここで、上付き文字 (1) は最初の層を示します。$$h^{\left(1\right)}:{ℝ}^{D^{\left(1\right)}}\to {ℝ}^{D^{\left(1\right)}}$$ は符号化器の伝達関数、$$W^{\left(1\right)}\in {ℝ}^{D^{\left(1\right)}\times D_{{}^x}}$$ は重み行列、$$b^{\left(1\right)}\in {ℝ}^{D^{\left(1\right)}}$$ はバイアス ベクトルです。次に、復号化器が、符号化された表現 z を以下のように元の入力ベクトル x の推定に逆マッピングします。

$$\widehat{x}=h^{{}^{\left(2\right)}}\left(W^{\left(2\right)}z+b^{\left(2\right)}\right),$$

ここで、上付き文字 (2) は 2 番目の層を表します。$$h^{\left(2\right)}:{ℝ}^{D_x}\to {ℝ}^{D_x}$$ は復号化器の伝達関数、$$W^{\left(1\right)}\in {ℝ}^{D_{{}^x}\times D^{\left(1\right)}}$$ は重み行列、$$b^{\left(2\right)}\in {ℝ}^{D_x}$$ はバイアス ベクトルです。

バージョン履歴

R2015b で導入

R2026a: decode は削除予定

decode は将来のリリースで削除される予定です。

自己符号化器のワークフローの詳細については、以下の例とトピックを参照してください。

• ディープ ネットワーク デザイナーを使用したネットワークの構築

• 深層学習を使用した時系列異常検出

• Detect Anomalies Using Wavelet Scattering with Autoencoders

• 変分自己符号化器 (VAE) の学習によるイメージ生成

• List of Deep Learning Layer Blocks and Subsystems

• 深層学習ネットワークのコード生成

詳細については、Transition Legacy Neural Network Code to dlnetwork Workflowsを参照してください。

参考

時系列モデラー | fitrnet (Statistics and Machine Learning Toolbox) | fitcnet (Statistics and Machine Learning Toolbox) | trainnet | trainingOptions | dlnetwork

トピック

• Training Neural Networks with Tabular Data
• Training Neural Networks with Time Series Data
• Transition Legacy Neural Network Code to dlnetwork Workflows