自编码器pytorch

好的，很高兴回答你关于自编码器的问题。自编码器是一种无监督学习模型，它能够将输入数据压缩成一种称为编码的特征向量，然后通过解码器将编码还原为原始数据。以下是一个使用PyTorch实现自编码器的简单示例代码：

import torch
import torch.nn as nn
import torch.optim as optim
import torchvision.datasets as datasets
import torchvision.transforms as transforms

# 定义自编码器模型
class Autoencoder(nn.Module):
    def __init__(self):
        super(Autoencoder, self).__init__()
        self.encoder = nn.Sequential(
            nn.Linear(784, 128),
            nn.ReLU(True),
            nn.Linear(128, 64),
            nn.ReLU(True),
            nn.Linear(64, 12),
            nn.ReLU(True),
            nn.Linear(12, 2))
        self.decoder = nn.Sequential(
            nn.Linear(2, 12),
            nn.ReLU(True),
            nn.Linear(12, 64),
            nn.ReLU(True),
            nn.Linear(64, 128),
            nn.ReLU(True),
            nn.Linear(128, 784),
            nn.Tanh())

    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

# 加载MNIST数据集
train_dataset = datasets.MNIST(root='./data', train=True, transform=transforms.ToTensor(), download=True)

# 定义训练数据加载器
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=128, shuffle=True)

# 实例化自编码器模型
model = Autoencoder()

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)

# 训练自编码器模型
for epoch in range(20):
    for data in train_loader:
        img, _ = data
        img = img.view(img.size(0), -1)
        optimizer.zero_grad()
        output = model(img)
        loss = criterion(output, img)
        loss.backward()
        optimizer.step()
    print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 20, loss.item()))

# 使用自编码器模型进行图像重构
import matplotlib.pyplot as plt

images, _ = iter(train_loader).next()
images = images[0:5]
images = images.view(images.size(0), -1)

# 原始图像
plt.figure(figsize=(5, 2))
for i in range(5):
    plt.subplot(2, 5, i+1)
    plt.imshow(images[i].numpy().reshape(28, 28), cmap='gray')
    plt.axis('off')

# 重构图像
with torch.no_grad():
    encoded = model.encoder(images)
    decoded = model.decoder(encoded)
    decoded = decoded.view(decoded.size(0), 1, 28, 28)
    
plt.figure(figsize=(5, 2))
for i in range(5):
    plt.subplot(2, 5, i+1)
    plt.imshow(decoded[i].numpy().reshape(28, 28), cmap='gray')
    plt.axis('off')

plt.show()

在这个示例中，我们使用PyTorch实现了一个简单的自编码器模型，并使用MNIST数据集进行训练和图像重构。通过这个示例，您可以更好地理解自编码器的工作原理和如何在PyTorch中实现它。