写一段自编码器的python代码

好的，这里给你一个简单的基于Keras框架的自编码器代码：

import numpy as np
from keras.layers import Input, Dense
from keras.models import Model

# 创建自编码器模型
input_img = Input(shape=(784,))
encoded = Dense(128, activation='relu')(input_img)
decoded = Dense(784, activation='sigmoid')(encoded)
autoencoder = Model(input_img, decoded)

# 编译自编码器模型
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# 加载MNIST数据集
from keras.datasets import mnist
(x_train, _), (x_test, _) = mnist.load_data()
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))

# 训练自编码器模型
autoencoder.fit(x_train, x_train, epochs=50, batch_size=256, validation_data=(x_test, x_test))

# 使用自编码器模型进行图像重建
decoded_imgs = autoencoder.predict(x_test)

# 可视化重建结果
import matplotlib.pyplot as plt
n = 10  # 展示10张图片
plt.figure(figsize=(20, 4))
for i in range(n):
    # 展示原始图像
    ax = plt.subplot(2, n, i + 1)
    plt.imshow(x_test[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

    # 展示重建图像
    ax = plt.subplot(2, n, i + 1 + n)
    plt.imshow(decoded_imgs[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)
plt.show()

这个自编码器使用了一个简单的全连接神经网络，输入层和输出层都是784维的，中间的隐层是128维的。它使用MNIST数据集来训练，并且将像素值归一化到0-1之间。最后，它通过训练得到的自编码器模型对测试集数据进行重建，并展示了重建前后的图像。