python写降噪自编码器并保存模型

以下是一个简单的降噪自编码器的Python代码示例，并包含了保存模型的步骤：

import tensorflow as tf
from tensorflow import keras

# 加载 MNIST 数据集
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()

# 将像素值归一化为 0~1 之间的浮点数
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.

# 加入噪声
noise_factor = 0.5
x_train_noisy = x_train + noise_factor * tf.random.normal(shape=x_train.shape)
x_test_noisy = x_test + noise_factor * tf.random.normal(shape=x_test.shape)
x_train_noisy = tf.clip_by_value(x_train_noisy, clip_value_min=0., clip_value_max=1.)
x_test_noisy = tf.clip_by_value(x_test_noisy, clip_value_min=0., clip_value_max=1.)

# 定义模型
input_img = keras.Input(shape=(28, 28, 1))
x = keras.layers.Conv2D(32, (3, 3), activation='relu', padding='same')(input_img)
x = keras.layers.MaxPooling2D((2, 2), padding='same')(x)
x = keras.layers.Conv2D(32, (3, 3), activation='relu', padding='same')(x)
encoded = keras.layers.MaxPooling2D((2, 2), padding='same')(x)

x = keras.layers.Conv2D(32, (3, 3), activation='relu', padding='same')(encoded)
x = keras.layers.UpSampling2D((2, 2))(x)
x = keras.layers.Conv2D(32, (3, 3), activation='relu', padding='same')(x)
x = keras.layers.UpSampling2D((2, 2))(x)
decoded = keras.layers.Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)

autoencoder = keras.Model(input_img, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# 训练模型
autoencoder.fit(x_train_noisy, x_train,
                epochs=10,
                batch_size=128,
                shuffle=True,
                validation_data=(x_test_noisy, x_test))

# 保存模型
autoencoder.save('denoising_autoencoder.h5')

该代码中，首先加载了MNIST数据集，并对像素值进行了归一化处理。然后，加入了噪声并进行了裁剪，以确保像素值在0~1之间。接下来，定义了一个包含编码器和解码器的自编码器模型，并使用Adam优化器和二元交叉熵损失进行了编译。最后，使用训练数据对模型进行了训练，并保存了完整的模型。