自动编码器原理
自动编码器:无监督学习的神经网络模型
两部分:核心特征提取的编码部分
实现数据重构的解码部分
作用:实现数据的清洗,比如去除噪声数据,或者对数据的关键特征进行放大或增强
实现流程:输入数据----------编码------核心特征------解码------输出
自动编码实战
使用自动编码器实现去除图片马赛克问题:
生成一个带马赛克的图片(给图片加噪声):
主要代码:
# 给图像加噪声 实现打码操作
noisy_images = images_example + 0.5 * np.random.randn(*images_example.shape)
# 这里要加一个* ?? 不然会报元组不能加到整形的错误
noisy_images = np.clip(noisy_images,0.,1.)
# 由于原始的MNSIT的数据集图像的像素范围是(0,1),因此加噪后要转回(0,1)
编码解码代码:
# 搭建网络进行编解码 线性变换的 仅使用线性映射和激活函数作为网络结构的主要部分
class AutoEncoder(torch.nn.Module):
def __init__(self):
super(AutoEncoder, self).__init__()
self.encoder = torch.nn.Sequential(
torch.nn.Linear(28 * 28, 128),
torch.nn.ReLU(),
torch.nn.Linear(128, 64),
torch.nn.ReLU(),
torch.nn.Linear(64, 32),
torch.nn.ReLU())
self.decoder = torch.nn.Sequential(
torch.nn.Linear(32, 64),
torch.nn.ReLU(),
torch.nn.Linear(64, 128),
torch.nn.ReLU(),
torch.nn.Linear(128, 28 * 28))
def forward(self