【用自编码器模型对MNIST手写数字数据集进行降维和重构】

代码实现了一个自编码器模型对MNIST手写数字数据集进行降维和重构，同时进行了可视化展示。
思路如下：
1.加载MNIST数据集，并将其转换为PyTorch的数据格式；

2.定义一个自编码器模型，包括一个编码器和一个解码器，使用Tanh和Sigmoid函数作为激活函数，将输入图像压缩为3维的特征向量，再重构为原始图像；

3.使用MSE损失函数和Adam优化器训练自编码器模型；

4.在训练过程中，每训练100个批次就将一部分测试数据集的图像作为例子，使用自编码器模型进行重构，并将重构后的图像进行可视化展示；

5.训练完成后，使用自编码器模型对数据集进行特征提取，并通过三维图像展示压缩后的特征向量。

import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cm
import numpy as np
import os
os.environ['KMP_DUPLICATE_LIB_OK']='TRUE'
# torch.manual_seed(1)    # reproducible
# 定义超参数
EPOCH = 10
BATCH_SIZE = 64
LR = 0.005  # 学习率
DOWNLOAD_MNIST = False # 下过数据的话, 如果已经下载，将其设置成 False即可
N_TEST_IMG = 5   # 可视化重构图像时使用的图片数量
# 读取MNIST数据集
train_data = torchvision.datasets.MNIST(
    root='./mnist/',  # MNIST数据集下载后的保存路径
    train=True,  # True表示读取训练集，False表示读取测试集
    transform=torchvision.transforms.ToTensor(),  # 将数据集中的图像转换为张量，并将其值缩放到[0,1]的范围内
    download=True,   # 是否下载数据集
)
# 可视化一张图片
print(train_data.train_data.size())   # 输出数据集中的图片尺寸（60000, 28, 28）
print(train_data.train_labels.size())  # 输出数据集中的标签尺寸（60000）
plt.imshow(train_data.train_data[2].numpy(), cmap='gray')
plt.title('%i' % train_data.train_labels[2])
plt.show()
# 使用DataLoader将数据集转换为可迭代的数据加载器
train_loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

# 定义自编码器模型
class AutoEncoder(nn.Module