TensorFlow在MNIST中的应用-无监督学习-自编码器（autoencoder）和encoder

本文链接：https://blog.youkuaiyun.com/HelloZEX/article/details/78540482

本文介绍了如何使用TensorFlow构建自编码器(AutoEncoder)进行无监督学习，特别是在MNIST数据集上的应用。自编码器通过编码和解码过程对数据进行降维和重构，以提高对原始数据的复原能力。实验展示了编码器将784维特征降至低维，并且2维编码特征具有良好的聚类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参考：

《TensorFlow技术解析与实战》

TensorFlow上实现AutoEncoder自编码器

########################################################################################

前面讲到的都是有监督学习，他的重要特征是数据都是有标记的。无标记的数据应该用什么样的网络模型来学习呢？

这里用一个叫做-自编码网络-的网络模型。

AutoEncoder大致是一个将数据的高维特征进行压缩降维编码，再经过相反的解码过程的一种学习方法。学习过程中通过解码得到的最终结果与原数据进行比较，通过修正权重偏置参数降低损失函数，不断提高对原数据的复原能力。学习完成后，前半段的编码过程得到结果即可代表原数据的低维“特征值”。通过学习得到的自编码器模型可以实现将高维数据压缩至所期望的维度，原理与PCA相似。

自编码网络的作用是将输入样本压缩到隐藏层，，然后解压，在输出端重建样本。最终输出层神经元数量和输入层神经元数量相同。

########################################################################################

# -*- coding:utf-8 -*-
# ==============================================================================
# 20171115
# HelloZEX
# 自编码网络AutoEncoder
# ======================================