Autoencoder mit MNIST-Datensatz

Deine Aufgabe:

Wähle über Dropdown-Menüs verschiedene Werte für:

- Anzahl der Epochen
- Lernrate
- Sample Size (Anzahl der Trainingsbeispiele)

Starte das Training des Autoencoders. Danach werden dir zwei Bildreihen angezeigt:
Oben: das Originalbild der Ziffer 8,
Unten: die rekonstruierte Version des Autoencoders.
Vergleiche beide Versionen und bewerte, wie gut dein Netz gelernt hat. Probiere unterschiedliche Kombinationen und finde heraus, welche Einstellungen die besten Ergebnisse liefern.

Epochen 100 500 2000

Lernrate 0.01 0.1 1

Sample Size 10 Bilder 50 Bilder 100 Bilder

Training starten

Was ist der MNIST-Datensatz?

MNIST (Modified National Institute of Standards and Technology) ist ein frei verfügbarer Benchmark-Datensatz für maschinelles Lernen, der aus 70 000 handgeschriebenen Ziffern besteht – 60 000 Trainings- und 10 000 Testbilder. Jedes Bild ist in 28 × 28 Pixeln Graustufen gespeichert und zeigt genau eine Ziffer von 0 bis 9.
In diesem Beispiel wird die Ziffer 8 als Referenz verwendet.

In der begleitenden Übung werden die MNIST-Bilder in einen Autoencoder eingespeist und anschließend rekonstruiert. Ziel ist es, anhand der Rekonstruktionen die Auswirkungen verschiedener Parameter des Modells zu beobachten.

Im folgenden Bild siehst Du ein beispielhaftes Ergebnis: oben die Originalziffern aus dem Datensatz, unten die vom Autoencoder erzeugten Rekonstruktionen.

Was ist ein Autoencoder?

Ein Autoencoder ist ein künstliches neuronales Netz, das darauf trainiert wird, Eingabedaten zunächst in eine komprimierte Darstellung zu überführen und diese anschließend wieder möglichst originalgetreu zu rekonstruieren. Ziel ist es, wichtige Merkmale der Daten zu lernen und unwichtige Informationen zu verwerfen.