自动编码器的python实现

使用 Keras 库和 TensorFlow 作为后端 

使用 MNIST 数据集作为输入数据，将输入图像压缩到大小为 32 的编码向量中，然后再将其解码回原始图像784。

# 导入必要的库
from keras.layers import Input, Dense
from keras.models import Model
from keras.datasets import mnist
import numpy as np

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

# 数据预处理
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:])))

# 定义编码维度
encoding_dim = 32

# 定义输入层
input_img = Input(shape=(784,))

# 定义编码层和解码层
encoded = Dense(encoding_dim, activation='relu')(input_img)
decoded = Dense(784, activation='sigmoid')(encoded)

# 定义自动编码器模型
autoencoder = Model(input_img, decoded)

# 编译模型
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# 训练模型
autoencoder.fit(x_train, x_train, epochs=50, batch_size=256, shuffle=True, validation_data=(x_test, x_test))

# 构建编码器模型
encoder = Model(input_img, encoded)

# 构建解码器模型
encoded_input = Input(shape=(encoding_dim,))
decoder_layer = autoencoder.layers[-1]
decoder = Model(encoded_input, decoder_layer(encoded_input))

# 使用测试集进行预测
encoded_imgs = encoder.predict(x_test)
decoded_imgs = decoder.predict(encoded_imgs)