评估重建质量

训练过程完成后，下一步是确定你的自编码器在重建输入数据方面表现如何。训练期间，模型努力使损失函数（如均方误差，MSE）最小化。现在，我们需要公正评估它在从未见过的数据上的表现。

为什么要在未见过的数据上评估？

你可能会想，为什么不能只看训练过程的最终损失值。因为训练损失只告诉我们模型在学习过的数据上的表现，而不能说明它对新的、未见过的数据的泛化能力。一个模型可能在训练数据上表现完美，但在新数据上却表现不佳，这被称为过拟合。为了得到更可靠的评估，我们使用一个独立的“测试集”，它包含训练阶段未使用过的样本。

使用损失函数量化重建质量

定量评估重建质量最直接的方法是使用测试集计算损失函数。如果你训练自编码器是为了最小化 MSE，那么你将计算测试集中原始图像与重建图像之间的 MSE。

记住均方误差（MSE）的公式： $L(x, \hat{x}) = \frac{1}{N} \sum_{i=1}^{N} (x_i - \hat{x}_i)^2$ 这里，$x$ 代表原始输入，$\\hat{x}$ 是重建输出，$N$ 是像素数量。较低的 MSE 值表示重建输出平均而言更接近原始输入，这表明重建质量更好。

在 Keras 中，一旦模型训练完成，你可以使用 autoencoder.evaluate() 方法轻松评估其性能：

# 假设 x_test 是你预处理过的测试数据集
# 对于自编码器，评估的输入和目标是相同的
test_loss = autoencoder.evaluate(x_test, x_test, verbose=0)
print(f"Test MSE: {test_loss}")

autoencoder.evaluate() 方法计算提供的 x_test 数据上的损失。由于自动编码器旨在重建其输入，因此评估的输入和目标都是 x_test。test_loss 变量将保存测试集的 MSE。

解释损失值

那么，你得到的测试损失数值意味着什么呢？

• 越低越好：通常，较低的损失值是理想的。它表明原始图像与重建图像之间的像素级差异很小。
• 情境很重要：“好”的损失值取决于数据的复杂性和具体问题。例如，重建简单的 MNIST 数字可能会产生非常低的 MSE，而重建复杂的高分辨率图像即使对于表现良好的模型，也可能导致较高的 MSE。
• 并非全部：尽管数值损失提供了有价值的客观衡量，但它并不总是能全面反映感知质量。两个重建图像可能具有相似的 MSE 值，但一个在视觉上可能看起来更好或更连贯。

这种数值评估平均表明了重建图像与原始图像的接近程度。良好的重建质量（低误差）意味着编码器在瓶颈层中学会了创建有用的、压缩的表示，解码器可以从中有效重建原始数据。

尽管这种定量衡量很重要，但它通常需要辅以对重建图像的定性、视觉检查。眼见为实。在下一节，我们将进行此项操作，让你更直观地感受自动编码器的表现。