深度学习-自编码 (Autoencoder)转换MNIST图像数据集

最新推荐文章于 2024-01-20 23:22:48 发布

Vivinia_Vivinia

最新推荐文章于 2024-01-20 23:22:48 发布

阅读量824

点赞数 1

分类专栏：深度学习文章标签： python PyTorch 深度学习自编码 (Autoencoder)

本文链接：https://blog.csdn.net/hester_hester/article/details/97901126

版权

本文介绍了如何使用自编码器(Autoencoder)在PyTorch中处理MNIST图像数据集。通过压缩和解压缩图像，自编码器能帮助神经网络简化学习过程，提高学习效率。实验结果显示了压缩后的图像解压效果。

摘要由CSDN通过智能技术生成

关于自编码 (Autoencoder)，可见但理解为，当输入信息的信息量比较大时，神经网络直接从大量信息中学习是很复杂一件事，但是如果将信息进行压缩，保留关键部分，神经网络学习起来就比较轻松了，等到学习完，可以将信息解压，对比正确率，然后不断地反向传播进行修改权重。

下面的例子是将MNIST图片进行压缩后解压：

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
import matplotlib.pyplot as plt
import numpy as np

"""超参数"""
EPOCH = 10  # 一共运行10次
BATCH_SIZE = 64  # 每批运行64个数据
LR = 0.005  # 学习率
DOWNLOAD_MNIST = False  # 是否下载图片数据集，第一次运行为True，以后运行为False
N_TEST_IMG = 10  # 显示数据的列数

"""下载图片数据集"""
train_data = torchvision.datasets.MNIST(
    root='./mnist/',  # 下载存储位置
    train=True,  # 是否为训练集
    transform=torchvision.transforms.ToTensor(),  # 转换为tensor形式&#