如何使用自动编码器生成图像

你知道什么会很酷吗？如果我们不需要所有这些标记数据来训练我们的模型。我的意思是标记和分类数据需要太多工作。不幸的是，从支持向量机到卷积神经网络的大多数现有模型如果没有它们就无法训练。

除了一小部分算法可以。好奇吗？这就是所谓的无监督学习。无监督学习可以自己从未标记的数据中推断出一个函数。最著名的无监督算法是 K-Means，它被广泛用于将数据聚类成组，以及 PCA，它是降维的首选解决方案。K-Means 和 PCA 可能是有史以来最好的两种机器学习算法。而让它们更胜一筹的是它们的简单性。我的意思是，如果你掌握了它们，你会说：“我为什么没有早点想到呢？”

无监督学习

我们脑海中浮现的下一个问题是：“是否存在无监督神经网络？”。您可能从文章标题中知道答案。

自动编码器。

为了更好地理解自动编码器，我将在解释的同时提供一些代码。请注意，我们将使用 Pytorch 来构建和训练我们的模型。

导入 torch从 torch 导入 nn、optim从 torch.autograd 导入 Variable从 torch.nn 导入 functional as F

导入 torch

导入 torch

从 torch 导入 nn、optim

来自 torch 导入 nn ， optim

从 torch.autograd 导入 Variable

来自 torch . autograd import Variable

from torch.nn import functional as F

from torch . nn import functional as F

自动编码器是简单的神经网络，其输出即为输入。就这么简单。其目标是学习如何重建输入数据。但这有什么用呢？诀窍在于其结构。网络的第一部分就是我们所说的编码器。它接收输入并将其编码到较低维度的潜在空间中。第二部分（解码器）获取该向量并对其进行解码以生成原始输入。

压缩

压缩

压缩

样本 def