@TOC
上面是一个应用PyTorch实现自编码器（AE）的示例代码。这个自编码器有两个暗藏层，别离是128和64。
首先，导入必要的库和模块：
import torchimport torch.nn as nnimport torch.optim as optimfrom torch.utils.data import DataLoaderfrom torchvision import datasets, transforms接着，定义一个类来示意咱们的自编码器：
class Autoencoder(nn.Module): def __init__(self): super(Autoencoder, self).__init__() self.encoder = nn.Sequential( nn.Linear(28*28, 128), nn.ReLU(), nn.Linear(128, 64), nn.ReLU(), nn.Linear(64, 32), nn.ReLU() ) self.decoder = nn.Sequential( nn.Linear(32, 64), nn.ReLU(), nn.Linear(64, 128), nn.ReLU(), nn.Linear(128, 28*28), nn.Sigmoid() ) def forward(self, x): x = self.encoder(x) x = self.decoder(x) return x在这里，咱们定义了一个名为Autoencoder的类，它继承了nn.Module类。咱们的自编码器将输出图像压缩成32维的向量，而后再将其解码回原始尺寸。
留神到咱们应用了Sequential类来将神经网络层连接起来。这个类容许咱们重叠多个层，并将其作为单个模块解决。其中ReLU()函数是激活函数，它在每个暗藏层之后增加非线性变换。这些函数的目标是为了减少模型的表达能力。
对于解码器，咱们应用了Sigmoid()函数作为输入层激活函数，将其转换到0到1之间的范畴内。
接下来，定义一些超参数：
batch_size = 128learning_rate = 1e-3num_epochs = 10而后，加载MNIST数据集并进行预处理：
transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])train_dataset = datasets.MNIST(root='./data', train=True, transform=transform, download=True)train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)在这里，咱们应用了transforms库来定义一个变换，它将图像转换为张量，并归一化其像素值以使其范畴在-1到1之间。咱们还定义了一个DataLoader对象，用于批量读取数据。
接下来，初始化模型和优化器：
model = Autoencoder()criterion = nn.MSELoss()optimizer = optim.Adam(model.parameters(), lr=learning_rate)在这里，咱们应用了MSELoss作为损失函数，Adam优化器作为优化算法。
最初，训练模型：
for epoch in range(num_epochs): for data in train_loader: img, _ = data img = img.view(img.size(0), -1) recon = model(img) loss = criterion(recon, img) optimizer.zero_grad() loss.backward() optimizer.step() print('Epoch:{}, Loss:{:.4f}'.format(epoch+1, loss.item()))在这里，咱们对于每个epoch，遍历训练数据集，并将每个batch的数据加载到模型中。首先将图像展平为一维张量，通过自编码器进行前向流传失去重构后的图像，而后计算重构误差并执行反向流传更新权重。
最初打印出以后epoch的损失值。
这就是一个应用PyTorch实现的简略自编码器示例。
本文由mdnice多平台公布