神经网络自编码-pytorch

自编码介绍

由于神经网络层与层之间的神经元连接存在输入和输出大小的不同，可以应用网络实现对数据的降维，图片的解压缩等操作。
以图片解压缩为例，输入神经元个数为m，输出神经元个数为n：
若m>n，则将图片进行降维，提取图片的精华信息；
若n<m，则将图片进行增维，对图片进行解压或者扩充图片信息。

网络搭建

#搭建网络
class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        #压缩图片网络:由28*28压缩至3
        self.encoder=nn.Sequential(
            nn.Linear(28*28,128),           #输入图片的像素为28*28
            nn.Tanh(),
            nn.Linear(128,64),
            nn.Tanh(),
            nn.Linear(64,12),
            nn.Tanh(),
            nn.Linear(12,3)
        )

        #解压图片网络：由3解压至28*28
        self.decoder=nn.Sequential(
            nn.Linear(3,12),
            nn.Tanh(),
            nn.Linear(12,64),
            nn.Tanh(),
            nn.Linear(64,128),
            nn.Tanh(),
            nn.Linear(128,28*28),
            nn.Sigmoid(),               #将其转换为（0,1）输出值
        )
    def forward(self, x):
        #压缩
        encoded=self.encoder(x)
        #解压
        decoded=self.decoder(encoded)
        return encoded,decoded

数据模拟

由于自编码属于非监督学习，只需要训练数据，不需要使用标签数据。

def dataLoader():
    # 获取Mnist手写数字数据集
    train_data = torchvision.datasets.MNIST(
        root='./mnist',         #保存或者提取位置
        train=True,             #如果为True则为训练集，如果为False则为测试集
        transform=torchvision.transforms.ToTensor(),    #将图片转化成取值[0,1]的Tensor用于网络处理
        download=False           #是否下载数据集
    )
    plt.imshow(train_data.train_data[0].numpy(),cmap='gray')
    plt.title('%i'%train_data.train_labels[0])
    plt.show()
    loader = Data.DataLoader(
        dataset=train_data,
        batch_size=50,      #最小训练批量
        shuffle=True,       #是否对数据进行随机打乱
        num_workers=2,      #多线程来读数据
    )
    return loader

====================================
今天到此为止，后续记录其他神经网络技术的学习过程。
以上学习笔记，如有侵犯，请立即联系并删除！