class Autoencoder(nn.Module): def __init__(self): super(Autoencoder, self).__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 32, kernel_size=3, padding=1), nn.ReLU(True), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(32, 64, kernel_size=3, padding=1), nn.ReLU(True), nn.MaxPool2d(kernel_size=2, stride=2), nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(True), nn.MaxPool2d(kernel_size=2, stride=2) )

这是一个PyTorch中的自编码器模型，主要包含了编码器和解码器两个部分。上面的代码定义了编码器部分，它包含三个卷积层和池化层，用于将输入的图像数据逐步压缩为一个较小的向量表示。具体来说，输入的图像大小为 3xHxW，其中3表示RGB三个通道，H和W分别表示图像的高度和宽度。第一层卷积层将输入的3通道图像转换为32个特征图，然后通过ReLU激活函数进行非线性变换。接下来的池化层将特征图的大小缩小为原来的一半。接着进行两次与之前类似的卷积和池化操作，将特征图的数量分别增加为64和128，同时将特征图的大小进一步缩小。最终得到的特征图大小为 128x(H/8)x(W/8)，其中H/8和W/8表示经过三次池化后图像的高度和宽度都缩小了8倍。

在实际使用中，还需要定义解码器部分，其结构与编码器部分相似，但是卷积层和池化层的顺序需要颠倒，同时卷积层的输出通道数也需要逐渐减少。最终解码器的输出大小应该与原始输入的大小相同，这样才能将压缩后的特征向量解码为原始的图像数据。