请解释一下AE模型的组成部分，并告诉我他具体工作过程，给出代码示例并给出代码解析

自编码器(Autoencoder, 简称AE)是一种无监督学习的神经网络模型，通常用于数据压缩、特征提取和生成任务。它由两个主要部分组成：

1. **编码器(Encoder)**：这是一个前向传播的过程，将输入数据映射到一个低维的表示空间（即“码”）。编码器通常包括多层全连接神经网络，每一层都会对输入进行线性和非线性变换，通过逐层减少节点数，提取出输入的关键特征。

   # 假设我们有一个简单的全连接神经网络作为编码器
   encoder = nn.Sequential(
       nn.Linear(input_dim, hidden_dim),  # 第一层隐藏层
       nn.ReLU(),  # 激活函数
       nn.Linear(hidden_dim, latent_dim)  # 输出低维表示的节点数
   )

2. **解码器(Decoder)**：负责从编码后的低维表示恢复原始数据。这个部分通常是对编码器的逆过程，从低维向量反向传播，逐步增加节点数直到还原成原始维度。

   decoder = nn.Sequential(
       nn.Linear(latent_dim, hidden_dim),  # 输入低维表示，恢复隐藏层大小
       nn.ReLU(),
       nn.Linear(hidden_dim, input_dim)  # 最后一层输出原始数据维度
   )

工作过程：
1. **训练阶段**：给定一组输入数据，首先通过编码器将其转换为低维表示，然后通过解码器尝试重建输入。模型通过最小化重构误差（如均方误差MSE）来更新权重，目标是让解码器尽可能准确地还原输入。

2. **测试阶段**：仅使用编码器将新输入数据压缩到低维，然后直接利用解码器生成重建数据，用于数据降维、特征可视化或生成新的样例。

# 示例训练过程（简化版）
for x in inputs:
    encoded = encoder(x)
    decoded = decoder(encoded)
    loss = F.mse_loss(decoded, x)  # 计算损失
    optimizer.zero_grad()  # 清零梯度
    loss.backward()  # 反向传播
    optimizer.step()