基于稀疏自编码器的高光谱异常检测模型

这个稀疏自编码器就是在编码器的基础上，加上稀疏约束。

所谓稀疏约束就是尽量使隐藏层中激活的神经元是稀少的；
代码里我们算出隐藏层中神经元激活值的平均值q = torch.nn.functional.softmax(encoder_out, dim=1)；
p是我们希望的平均激活值，因为是希望神经元稀疏，所以代码里设置了一个比较小的值：0.2；
再算出q与p的分布差，又称为kl散度。 _kl = criterion_(p, q)；
给损失函数加上这个kl散度： loss += _beta * _kl，这样的目的是使p尽量接近于q，也就是使隐藏层中神经元激活值的平均值接近于0.2，以此间接达到了使神经元稀疏的作用。

以下给出代码，分为训练部分和探测部分：

1、训练部分

'''
训练系数自动编码器用于高光谱异常探测
'''
import torch
from torch import nn, optim
from torch.autograd import Variable
from torchvision import transforms
from torch.utils.data import DataLoader
from torchvision.utils import save_image
import os

import numpy as np
# 加载数据集
def get_data():
    '''
    函数作用：读取数据集
    return：dataload与img（高光谱图像）
    '''
    from scipy import io
    #读取数据
    dataset_name='sandiego_plane.mat'
    load=io.loadmat(dataset_name)
    img = load['data']
    gt = load['map']
    height,width,spectrum=img.shape

    #这一段是预处理数据
    img_data=img.reshape((height*width,spectrum))#改变数据形状，使其适合送入dataset
    gt_data=gt.reshape((height*width))
    img_data=img_data.astype(np.float32)#数据类型转换
    # 将像素点转换到[-1, 1]之间，使得输入变成一个比较对称的分布，训练容易收敛
    img_data=(img_data-(0.5*img_data.max()))/ (0.5*img_data.max())

    #设置dataset与dataload
    from datasets import Dataset #这个datasets是自己写的代码文件，见第三段代码
    from torch.utils import data
    train_dataset = Dataset(img_data, gt_data,dataset_name=dataset_name)

    train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size, drop_last=True)
    return train_loader,img

def to_img(x):
    x = (x + 1.) * 0.5
    x = x.clamp(0, 1)
    x = x.view(x.size(0), 1, 28, 28)
    return x
class autoencoder(nn.Module):
    def __init__(self,in_dim,hidden_size,):
        super(autoencoder, self).__init__()
        self.encoder = nn.Sequential(nn.Linear(in_dim, 128),
                                     nn.ReLU(True),
                                     nn.Linear(128, 64),
                                     nn.ReLU(True),
                                     nn.Linear(64, hidden_size),
                                     nn.Re