[深度学习]半监督学习、无监督学习之Autoencoders自编码器(附代码)

目录

 

自编码器介绍

从零开始训练自编码器

验证模型训练结果

可视化结果

加载预训练模型

---

自编码器介绍

自编码器的结构简单，由Encoder和Decoder组成，Encoder产生的Latent variables是潜在变量，它是Decoder的输入。

自编码器的目标是寻找有意义的feature，用这些feature来代表输入变量，并且可以通过Decoder还原变量。

如果具体到某一个数据集MINIST，他的结构如下图所示，中间代表了卷积网络层或者全连接层。

PCA与自编码器对比：

自编码器更接近真实图像，因为它可以是非线性的。

自编码器与分类网络相比：

自编码器没有额外的label，属于无监督学习，而分类网络需要label，属于监督学习。

从零开始训练自编码器

数据集是MINIST，基于python的pytorch框架。

import os
import torch
import torch.nn as nn
import torch.nn.functional as F

# Parameter Settings
latent_dims = 10
num_eopchs = 50
batch_size = 64
capacity = 64
learning_rate = 1e-3
# use_