自编码器原理及使用Pytorch框架实现（AutoEncoder）

最新推荐文章于 2025-11-16 08:25:22 发布

原创最新推荐文章于 2025-11-16 08:25:22 发布 · 3k 阅读

8 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #人工智能

论文讲解专栏收录该内容

130 篇文章

订阅专栏

自编码器是一种无监督学习方法，通过编码器和解码器学习数据的低维表示。它适用于数据降维、异常检测和图像处理任务，如图像降噪和神经风格迁移。自编码器的优化目标是使解码后的输出尽可能接近原始输入。在实现上，可以使用Pytorch等框架构建网络结构并编写代码。

部署运行你感兴趣的模型镜像

1.自编码器产生背景

像我们目前所进行的图像分类，目标识别，图像分割等都是基于有监督学习来的，所以对于海量的数据需要进行人工的标注。但是随着时代的发展和人工智能不断的火起来，对于数据量的需求已经不是想象中的样子了，数据量的需求已经远远超出人们的认知。面对海量的数据集，有没有一种办法就是能够从中学习到数据的分布P（x）的算法呢？

提示：而解决上面的算法计算无监督学习。

自编码器
自编码器（autoencoder, AE）是一类在半监督学习和非监督学习中使用的人工神经网络（Artificial Neural Networks, ANNs），其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）
自编码器原理
包含编码器（encoder）和解码器（decoder）两部分。按学习范式，自编码器可以被分为收缩自编码器（contractive autoencoder）、正则自编码器（regularized autoencoder）和变分自编码器（Variational AutoEncoder, VAE），其中前两者是判别模型、后者是生成模型。按构筑类型，自编码器可以是前馈结构或递归结构的神经网络。
自编码器应用场景
自编码器具有一般意义上表征学习算法的功能，被应用于降维（dimensionality reduction）和异常值检测（anomaly detection）。包含卷积层构筑的自编码器可被应用于计算机视觉问题，包括图像降噪（image denoising）、神经风格迁移（neural style transfer）等。