自动编码器

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