深度学习 autoencoder_PyTorch搭建自动编码器（AutoEncoder）用于非监督学习

一、自动编码器

自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。输入数据的这一高效表示称为编码（codings），其维度一般远小于输入数据，使得自编码器可用于降维。更重要的是，自编码器可作为强大的特征检测器（feature detectors），应用于深度神经网络的预训练。此外，自编码器还可以随机生成与训练数据类似的数据，这被称作生成模型（generative model）。比如，可以用人脸图片训练一个自编码器，它可以生成新的图片。

1、个人对于自动编码器用于无监督学习的理解

通过自己的学习理解，认为自动编码器的实现无监督学习的途径是这样的，首先以图片为例，对于一个图片先压缩，使其变模糊，再根据变模糊的图片去恢复成原来的图片，因为在训练过程中是没有其他的标签的，所以训练的数据既是数据又是标签。

对于一个压缩的过程，可以看作通过神经网路进行特征提取，然后再通过这个提取的特征去恢复成原来的图像，那么训练过程的意义就是为了训练网络中的参数来实现这个过程。

网络的功能就是为了从X提取特征并根据特征恢复X

因为原图像可能很大，通过编码的过程可以提取指出图像的主要特征，对原信息进行缩减，在把缩减的信息送入神经网络进行学习，这样可以大幅度降低网络的计算成本。

精髓在于提取后的特征

自编码器主要用到网络的前半部分，因此这一部分也被称作是编码器。

编码器的原理

2、自编码器网络的搭建

导包及超参数的设置

import 

训练集的导入及测试

train_data = torchvision.datasets.MNIST(
    root='MINIST',
    train=True,
    transform=torchvision.transforms.ToTensor(),
    download=False
)
loader = Data.DataLoader(dataset=train_data, batch_size=BATCH_SIZE, shuffle=True)

# print(train_data.train_data.size())
# print(train_data.train_labels.size())
# print(train_data.train_data[0])
# plt.imshow(train_data.train_data[2].numpy(),cmap='Greys')
# plt.title('%i'%train_d