AIGC实战——自编码器(Autoencoder)

0. 前言

自编码器 (Autoencoder) 是一种无监督学习的神经网络模型，用于学习输入数据的低维表示。它由编码器和解码器两部分组成，通过将输入数据压缩到潜空间表示(编码)，然后将其重构为与原始输入尽可能相似的形式(解码)。在本节中，我们将使用 Keras 构建一个标准的自编码器，以理解自编码器的工作原理。

1. 自编码器原理

自编码器的目标是最小化输入与重构输出之间的重构误差，通过这个过程来学习数据中的有用特征。在训练过程中，自编码器首先将输入数据传递给编码器 (Encoder)，编码器将数据映射到低维的潜空间表示(也称嵌入，或编码)。然后，解码器 (Decoder) 接收编码后的表示，并尝试将其重构为原始输入，以最小化重构误差。

自编码器是一个被训练来执行编码和解码任务的神经网络，使得这个过程的输出尽可能接近原始输入。自编码器可以用作生成模型，因为我们可以解码我们想要的潜空间中的任何点(即使那些不是原始输入的嵌入)，以产生一个新颖的输出结果。

2. 数据集与模型分析

2.1 Fashion-MNIST 数据集

在本节中，我们将使用 Fashion-MNIST 数据集，其包含了 10 个类别的 70,000