用Pytorch构建一个自动解码器_python编码和解码

1.python解码器设置

本文为 AI 研习社编译的技术博客，原标题 ： Building Autoencoder in Py本文为 AI 研习社编译的技术博客，原标题 ：Building Autoencoder in Pytorch

2.python中解码

作者 |Vipul Vaibhaw翻译 |邓普斯•杰弗、酱番梨、向日魁校对 | 邓普斯•杰弗 整理 | 菠萝妹原文链接：https://medium.com/@vaibhaw.vipul/building-autoencoder-in-pytorch-34052d1d280c

3.python解码decode

这篇文章中，我们将利用 CIFAR-10 数据集通过 Pytorch 构建一个简单的卷积自编码器。

4.python3编码解码

打开凤凰新闻，查看更多高清图片引用维基百科的定义，”自编码器是一种人工神经网络，在无监督学习中用于有效编码自编码的目的是通过一组数据学习出一种特征（编码），通常用于降维“为了建立一个自编码器，我们需要三件事：一个编码函数，一个解码函数，和一个衡量压缩特征和解压缩特征间信息损失的距离函数（也称为损失函数）。

5.pycharm解码器无法解码

如果我们要在 Pytorch 中编写自动编码器，我们需要有一个自动编码器类，并且必须使用super（）从父类继承__init__我们通过导入必要的 Pytorch 模块开始编写卷积自动编码器import torchimport torchvision as tvimport torchvision.transforms as transformsimport torch.nn as nnimport torch.nn.functional as Ffrom torch.autograd import Variablefrom torchvision.utils import save_image。

6.pytorch源码解析

现在我们设置下载CIFAR-10数据集并将其转换应用于它我们对数据集应用了两个转换 -ToTensor（） - 它将 PIL图像或者 [0,255]范围内的 numpy.ndarray（H x W x C）转换成 Torch 。

7.python解码utf-8

[0.0,1.0]范围内的形状 FloatTensorNormalize（） - 使用均值和标准差对张量图像进行标准化基本上在应用变换之后，我们得到（-2,2）范围内的值 # Loading and Transforming datatransform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.4914, 0.4822, 0.4466), (0.247, 0.243, 0.261))])trainTransform = tv.transforms.Compose([tv.transforms.ToTensor(), tv.transforms.Normalize((0.4914, 0.4822, 0.4466), (0.247, 0.243, 0.261))])trainset = tv.datasets.CIFAR10(root=./data, train=True,download=True, transform=transform)dataloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=False, num_workers=4)testset = tv.datasets.CIFAR10(root=./data, train=False, download=True, transform=transform)classes = (plane, car, bird, cat, deer, dog, frog, horse, ship, truck)testloader = torch.utils.data.DataLoader(testset, batch_size=4, shuffle=False, num_workers=2)。

8.python如何解码

你可以在这里阅读更多关于上述变换的内容 现在下一步是编写自动编码类# Writing our modelclass Autoencoder(nn.Module): def __init__(self): super(Autoencoder,self).__init__() self.encoder = nn.Sequential( nn.Conv2d(3, 6, kernel_size=5), nn.ReLU(True), nn.Conv2d(6,16,kernel_size=5), nn.ReLU(True)) self.decoder = nn.Sequential( nn.ConvTranspose2d(16,6,kernel_size=5), nn.ReLU(True), nn.ConvTranspose2d(6,3,kernel_size=5), nn.ReLU(True), nn.Sigmoid()) def forward(self,x): x = self.encoder(x) x = self.decoder(x) return x。

9.python怎么解码

卷积编码器神经网络具有一些 Conv2d，并且我们有使用ReLU激活功能正在被使用 现在我们定义一些参数 -#defining some paramsnum_epochs = 5 #you can go for more epochs, I am using a macbatch_size = 128。

10.python中解码怎么写

然后是时候设置训练模型了我们调用模型并将其配置为在 cpu 上运行如果你有一个 gpu，你可以使用 cuda我们使用 Mean Squared Error 作为损失函数对于优化器，我们使用 adammodel = Autoencoder().cpu()distance = nn.MSELoss()optimizer = torch.optim.Adam(model.parameters(),weight_decay=1e-5)

让咱们开始训练吧！for epoch in range(num_epochs): for data in dataloader: img, _ = data img = Variable(img).cpu() # ===================forward===================== output = model(img) loss = distance(output, img) # ===================backward==================== optimizer.zero_grad() loss.backward() optimizer.step() # ===================log======================== print(epoch [{}/{}], loss:{:.4f}.format(epoch+1, num_epochs, loss.data[0]))

这是我写的一个简单的博客，展示了如何在 Pytorch 中构建自动编码器 但是，如果要在模型中包含 MaxPool2d（），请确保设置 return_indices = True，然后在解码器中使用 MaxUnpool2d（）图层。

持续的学习和分享，可以在 github，Stack Overflow，LinkedIn，或者 Twitter 上 Follow 我想要继续查看该篇文章相关链接和参考文献？长按链接点击打开或点击【用Pytorch构建一个自动解码器】：。

https://ai.yanxishe.com/page/TextTranslation/1284AI研习社每日更新精彩内容，观看更多精彩内容：雷锋网雷锋网雷锋网命名实体识别（NER）综述杰出数据科学家的关键技能是什么？初学者怎样使用Keras进行迁移学习如果你想学数据科学，这 7 类资源千万不能错过

等你来译：深度学习目标检测算法综述一文教你如何用PyTorch构建 Faster RCNN高级DQNs：利用深度强化学习玩吃豆人游戏用于深度强化学习的结构化控制网络 （ICML 论文讲解）