pytorch深度学习：自编码器Auto-encoder（二）

上一节我们了解了自编码器的基础知识，这一节我们在pytorch上创建一个自编码器用于处理mnist数据集。

1.问题的描述

关于mnist数据集在这里就不再描述了，相信大家已经很熟悉了。今天使用自编码器有两个目的，即：

• 使用encoder显示压缩的特征数据。
• 使用decoder生成mnist数据集。

先对一些超参数进行设置：

# 定义一些超参数
EPOCH = 10
BATCH_SIZE = 64
LR = 0.005
DOWNLOAD_MNIST = True   # 下过数据的话, 就可以设置成 False
N_TEST_IMG = 5          # 显示5张图片看效果

数据集准备过程和之前的也一样，不过我们这里不需要测试集，只需要训练集，而且只需要训练集的图片不需要标签。

2.AE的模型搭建

模型由两部分组成，编码器(encoder)和解码器(decoder)，它们是两个相反的流程。encoder将28×28的数据压缩成3个数据，decoder将3个数据扩展为28×28个数据。

class AutoEncoder(nn.Module):
    def __init__(self):
        super(AutoEncoder,self).__init__()
        # 编码器
        self.encoder = nn.Sequential(
            nn.Linear(28*28,128),
            nn.Tanh(),
            nn.Linear(128,64),
            nn.Tanh(),
            nn.Linear(64,12),
            nn.Tanh(),
            nn.Linear(12,3)          # 压缩成3个特征, 进行 3D 图像可视化
        )
        # 解码器
        self.decoder = nn.Sequential(
            nn.Linear(3,12),
            nn.Tanh(),
            nn.Linear(12,64),
            nn.Tanh(),
            nn.Linear(64,128),
            nn.Tanh(),
            nn.Linear(128,28*28),
            nn.Sigmoid()             # 激励函数让输出值在 (0, 1)
        )

    def forward(self,x):
        encodered = self.encoder(x)
        decodered = self.decoder(encodered)

        return encodered,decodered

网络模型的最后要输出两个值encodered,decodered，分别为编码器和解码器的输出值。要注意的是在decoder的最后一层激励函数是sigmoid，就是让输出在0-1区间，表示解压后像素的灰度值。

3.AE的结果展示

训练过程还是和之前有些差异的，因为AE进行的是无监督学习，因此它的X,Y数据用的是同一个：

b_x