算法进阶(一)之自动编码器

 

自动编码器(autoencoder) 是神经网络的一种，该网络可以看作由两部分组成：一个编码器函数h = f(x) 和一个生成重构的解码器r = g(h)。传统上，自动编码器被用于降维或特征学习

                                                                         自编码器原理示意图

编码器：将原始高维特征数据映射为低维度表征数据

解码器：将低纬度的压缩特征重构回原始数据

核心：输入特征等于输出特征

那么我们就会有一个疑问:压缩特征为什么小于输入特征？这里我们使用的是欠完备自动编码器：输入特征大于压缩特征.

下面我们手动编写一个自动编码器, 我们先来整理一下编写流程:

1. 获取数据

2. 模型搭建

3. 最优化设置

4. 模型训练

5. 数据3D可视化

然后呢, 我们就按照这个流程来编写我们的代码, 此代码的前提是有GPU, 代码才不会报错.

1. 获取数据

import numpy as np
import torch
import torchvision
import torchvis