Pytorch中的自编码(autoencoder)

本文资料来源：https://www.bilibili.com/video/av15997678/?p=25

什么是自编码

先压缩原数据、提取出最有代表性的信息。然后处理后再进行解压。减少处理压力

通过对比白色X和黑色X的区别(cost函数)，从而不断提升自编码模型的能力（也就是还原的准确度）

由于这里只是使用了数据本身，没有使用label，所以可以说autoencoder是一种无监督学习模型。

实际在使用中，我们先训练好一个autoencoder模型，然后只取用其前一半，来获取到压缩了的特征进行其他的训练，以达到压缩特征的目的。

自编码可以达到类似于PCA的效果

自编码in Pytorch

• encoder

• decoder

  

• 连接成网络

• 设置优化器和损失函数

  autoencoder=AutoEncoder()
  optimizer=torch.optim.Adam(autoencoder.parameters(),lr=LR)
  loss_func=mm.MSELoss()

• 搭建网络，传入数据

这里的y是压缩之前的数据，用来在loss function中和decoded对比的

• 设置输出

Pytorch中的自编码(autoencoder)

原文：https://www.cnblogs.com/jiading/p/11956955.html