Tässä haasteessa rakennetaan ja koulutetaan **variational autoencoder (VAE)** MNIST-aineistolla vaihe vaiheelta. Määrittele arkkitehtuuri, toteuta reparametrisointikikka, luo mukautettu häviöfunktio ja suorita koko koulutusprosessi.

Koodin kanssa työskentelyä helpottamaan voit valita jonkin seuraavista vaihtoehdoista:

* <a href="https://content-media-cdn.codefinity.com/courses/37287944-3858-4d25-b5b4-8963c453781b/mnist_vae_notebook.ipynb" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> Lataa notebook</a> ja suorita se paikallisesti haluamassasi ympäristössä (esim. VSCode, Jupyter, PyCharm);
* <a href="https://drive.google.com/file/d/1AQiu8DIV5inr1A4K6W8-KcVC8T1Cr-kG/view?usp=sharing" target="_blank"><svg width="1em" height="1em" viewBox="0 0 30 32" fill="none" xmlns="http://www.w3.org/2000/svg"><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M17.289 17.305v0c-1.754 1.754-4.597 1.754-6.351 0l-7.76-7.759c-1.755-1.755-1.755-4.601 0-6.356v0c1.753-1.753 4.595-1.756 6.351-0.005l6.208 6.187"></path><path fill="none" stroke="#098f67" style="stroke: var(--color1, #098f67)" stroke-linejoin="miter" stroke-linecap="round" stroke-miterlimit="4" stroke-width="2.4156" d="M12.504 13.97v0c1.754-1.754 4.597-1.754 6.351 0l7.762 7.762c1.754 1.754 1.754 4.597 0 6.351v0c-1.754 1.754-4.597 1.754-6.351 0l-5.953-5.953"></path></svg> <b>Avaa Google Colabissa</b></a> – yhdellä klikkauksella kaikki on valmiina suoritettavaksi verkossa.

Kun avaat notebookin, näet sarjan tehtäviä.
Jokainen tehtävä sisältää:

* Selkeät ohjeet;
* Koodia, jossa on täytettäviä kohtia;
* Tarkistimia, jotka varmistavat ratkaisusi oikeellisuuden.

Kun toteutuksesi on oikea, tarkistin näyttää lyhyen avainkoodin.
Kerää **kaikki avainkoodit** jokaisesta vaiheesta — tarvitset niitä lopuksi.

Keskity yksinomaan huippuluokan generatiivisten mallien rakentamiseen, kouluttamiseen ja optimointiin TensorFlow'n ja Kerasin avulla. Tämä edistynyt kurssi kattaa autoenkoodereiden, variaatioautoenkoodereiden (VAE), generatiivisten adversaaristen verkkojen (GAN), transformeeripohjaisten generatiivisten mallien ja diffuusiomallien käytännön ja teoreettiset näkökohdat. Opiskele käytännön menetelmiä arviointiin ja optimointiin sekä kohtaa generatiivisen syväoppimisen todellisia haasteita.

Haaste: Rakenna Yksinkertainen VAE