3_建立基于数据处理的AE

本文的程序中的神经网络模型来着于上一篇文章，只是上一个文章是对mnist中的图片进行处理，而本文用AE对一串数据进行处理，得到这串数据的特征信息。

一、python程序（基于pytorch）

import torch
import torch.nn as nn
import torch.nn.functional as F


# 创建模型
class AE_Net(nn.Module):
    def __init__(self):
        super(AE_Net,self).__init__()
        self.encoder1=nn.Linear(16,8)
        self.encoder2=nn.Linear(8,4)
        self.encoder3=nn.Linear(4,2)

        self.decoder1=nn.Linear(2,4)
        self.decoder2=nn.Linear(4,8)
        self.decoder3=nn.Linear(8,16)


    def forward(self,x):
       
        x = F.relu(self.encoder1(x))
        # print(x)
        x = F.relu(self.encoder2(x))
        # print(x)
        x = F.relu(self.encoder3(x))
        print(x)
        x = F.relu(self.decoder1(x))
        # print(x)
        x = F.relu(self.decoder2(x))
        # print(x)
        # x = self.decoder3(x)
        x = torch.sigmoid(self.decoder3(x))
        # print(x)
        x = x.squeeze(-1)
        # print(x)
        return x


# 定义传入数据
x=torch.tensor(torch.linspace(0.4,0.8,16))
# x=torch.unsqueeze(x,dim=1)


net=AE_Net()  # 建模三大法宝
optimizer=torch.optim.Adam(net.parameters(),lr=1e-3)  # 优化
los=nn.MSELoss() # 损失

# 多次训练
for i in range(600):
    y=net(x)
    loss = los(y, x)    # decoder的输出y就应该跟一开始encoder的输入一样，以他们的差作为损失
    # loss = los(y, x.view(-1, 16))
    optimizer.zero_grad()  # 三大固定步骤  优化阶梯归零
    loss.backward()  # 后向传递
    optimizer.step()  # 更新参数
print(y)

二、输出结果

能够得出瓶颈层的那两个神经元对应的数，但是不懂它包含的物理意义。

三、Notice

当输入的数据的个数是n时，输入层和输出层的神经元应该是n个，如果写为其他数值则会报错。

x=torch.tensor(torch.linspace(0.4,0.8,16))
      
        self.encoder1=nn.Linear(16,8)

        self.decoder3=nn.Linear(8,16)