趋近智
自动编码器与特征学习入门
章节 1: 理解自动编码器
无监督学习简介
神经网络简介
核心思想：学习数据重建
编码器、瓶颈和解码器：主要组成部分
学习数据表示的用途
自动编码器类比
自编码器处理的初步问题
章节 2: 自动编码器的构成：编码器与解码器
编码器：数据压缩
输入层的结构
编码器隐藏层与数据压缩
瓶颈：紧凑表示
编码器中常用的激活函数
解码器：数据重建
解码器隐藏层与数据解压
输出层的结构
解码器中常用的激活函数
输入与输出的匹配
章节 3: 自动编码器如何学习
训练目标：减少重建误差
自编码器的损失函数 (MSE, BCE)
学习过程：优化基础
数据流：前向传播说明
从错误中学习：反向传播（宏观视角）
训练周期：迭代次数与批次
过拟合与欠拟合初识
构建自编码器的准备工作
章节 4: 自编码器与特征学习
数据集中特征的界定
比较人工与学习的特征方法
自编码器如何识别数据内在特征
瓶颈层作为特征提取器
使用自编码器降维
学习到的表示的简单可视化
有效数据表示的作用
章节 5: 构建一个基础自动编码器
深度学习的 Python 环境配置
PyTorch和Keras入门
加载并理解一个基础数据集
自动编码器的数据预处理
构建一个简单的自编码器模型
配置模型以进行训练
执行训练过程
评估重建质量
可视化重建输出：动手实践
检查编码数据：实践
PyTorch和Keras入门
这部分内容有帮助吗？
Sep 5, 2025
更新以使用 Pytorch 和 Keras 3 代替 Tensorflow
- PyTorch Documentation, PyTorch Core Team, 2023 (PyTorch Foundation) - PyTorch深度学习框架的官方指南，定期更新，涵盖其核心功能和API。
- Keras Documentation, Keras Team, 2023 - Keras的官方文档，提供了构建神经网络和配置其多后端支持（包括PyTorch）的详细指南。
- PyTorch: An Imperative Style, High-Performance Deep Learning Library, Adam Paszke, Sam Gross, Francisco Massa, Adam Lerer, James Bradbury, Gregory Chanan, Trevor Killeen, Zeming Lin, Natalia Gimelshein, Luca Antiga, Alban Desmaison, Andreas Kopf, Edward Yang, Zachary DeVito, Martin Raison, Alykhan Tejani, Sasank Chilamkurthy, Benoit Steiner, Lu Fang, Junjie Bai, Soumith Chintala, 2019 Advances in Neural Information Processing Systems 32 (Curran Associates, Inc.) DOI: 10.5555/3454287.3455008 - 本文介绍了PyTorch框架，概述了其设计原则，如命令式编程和动态计算图，及其对深度学习研究的贡献。
- Deep Learning with Python (2nd Edition), François Chollet, 2021 (Manning Publications) - Keras创建者撰写的深度学习综合指南，侧重于使用Keras API进行实际应用和最佳实践。