使用KNN根据深度自编码器降维特征识别MNIST数据集手写体数字(pytorch+scikit learn)

目标：实现无监督的数据降维，并根据降维信息实现KNN分类

内容：

1.自编码器降维

自编码器是为使神经网络学习数据原始特征，将高维数据特征用低维数据特征表示，是一种无监督的表征学习方法。

其包含编码器部分和解码器部分，编码器负责学习数据的低维嵌入特征，解码器负责将编码学习到的低维特征重新构建回原始数据特征，俩者就好像数据通信的编码和解码过程。

自编码器一般使用MSE损失函数，使重构建的特征接近于原始特征。

其相当对L2范数求平方

当然，如果用于回归数据，也可以使用交叉熵损失

深度自编码器就是在构建编码器和解码器时使用多个隐藏层，学习到更复杂的语义特征(维数更低)，传统的自编码器使用全连接网络，而对于图像特征可以使用卷积神经网络进行学习。

2.构建深度自编码器

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
from torch.autograd import Variable
from torchvision import datasets, transforms
from torch.utils.data import DataLoader
import os

#构建自编码器的前向传播网络
#返回编码器特征和重构特征
class GeneralizedAutoEncoder(nn.Module):
    """
    GeneralizedAutoEncoder;
    __init__(self) :Function-GAE network;
    forward(self, x):Input-input data;
                        Function-forwar;
    """
    def __init__(self):