@ProfTomYeh: 自编码器手绘交互图示。访问 https://byhand.ai/autoencoder ~ Tom Yeh 教授

X AI KOLs Timeline 新闻
autoencoder machine-learning education interactive-diagram mlp byhand-ai

摘要

Tom Yeh 教授分享了一个交互图示，用于学习自编码器，这是他专注于多层感知器的'AI by Hand'系列的一部分。

自编码器手绘 ✍️ 交互图示。访问 https://t.co/FG7rsyXRyG ~ Tom Yeh 教授 https://t.co/QJjyYkMwd2
查看原文
查看缓存全文

缓存时间: 2026/08/19 02:36

自编码器手绘 ✍️ 交互式图解。打开 https://t.co/FG7rsyXRyG

~ Tom Yeh 教授 https://t.co/QJjyYkMwd2

自编码器

来源：https://www.byhand.ai/p/library-models-mlp-autoencoder AI by Hand ✍️ (https://www.byhand.ai/)

AI by Hand ✍️ (https://www.byhand.ai/)

MLP：12 部分中的第 7 部分

Tom Yeh 教授头像 (https://substack.com/@tomyeh) Tom Yeh 教授 (https://substack.com/@tomyeh)

2026年8月12日

∙ 付费内容

知识库 (https://www.byhand.ai/p/library) › 多层感知机 (MLP) (https://www.byhand.ai/p/library-series-models-mlp)

  1. 感知机 (Perceptron) (https://www.byhand.ai/p/library-models-mlp-perceptron)
  2. 宽网络 (Wide) (https://www.byhand.ai/p/library-models-mlp-wide)
  3. 深网络 (Deep) (https://www.byhand.ai/p/library-models-mlp-deep)
  4. 二元分类器 (Binary Classifier) (https://www.byhand.ai/p/library-models-mlp-binary-classifier)
  5. 编码器 (Encoder) (https://www.byhand.ai/p/library-models-mlp-encoder)
  6. 解码器 (Decoder) (https://www.byhand.ai/p/library-models-mlp-decoder)
  7. 自编码器 (Autoencoder)
  8. 先扩展后收缩 (Expand then Shrink) (https://www.byhand.ai/p/library-models-mlp-expand-shrink)
  9. 先收缩后扩展 (Shrink then Expand) (https://www.byhand.ai/p/library-models-mlp-shrink-expand)
  10. 生成对抗网络 (GAN) (https://www.byhand.ai/p/library-models-mlp-gan)
  11. 双塔 MLP (Two-Tower MLP) (https://www.byhand.ai/p/library-models-mlp-two-tower)
  12. 多头结构 (Heads) (https://www.byhand.ai/p/library-models-mlp-heads)

自编码器将输入压缩至……

此文仅供付费订阅者阅读

已是付费订阅者？登录 (https://substack.com/sign-in?redirect=%2Fp%2Flibrary-models-mlp-autoencoder&for_pub=aibyhand&change_user=false)

© 2026 Tom Yeh · 隐私政策 (https://substack.com/privacy) ∙ 服务条款 (https://substack.com/tos) ∙ 数据收集声明 (https://substack.com/ccpa#personal-data-collected)

启动您的 Substack (https://substack.com/signup?utm_source=substack&utm_medium=web&utm_content=footer) 获取应用程序 (https://substack.com/app/app-store-redirect?utm_campaign=app-marketing&utm_content=web-footer-button)

Substack (https://substack.com/) 是优秀文化的家园

相似文章

稀疏自编码器中概念学习与神经元解释的几何视角

arXiv cs.LG

本文提出了一个统一的几何框架，用于理解稀疏自编码器中的概念学习和神经元解释，将概念形式化为集合，并定义了检测、分离和近似。它提供了误差界、容量约束，并与形式概念分析建立了联系，同时在合成数据上进行了实验。