PyTorch和Keras入门

在已配置好深度学习 (deep learning) Python 环境的情况下，是时候熟悉我们将用于构建自编码器的主要工具了：PyTorch 和 Keras。这些框架是您构建和训练神经网络 (neural network)的主要工具集。

什么是 PyTorch？

PyTorch 是一个由 Facebook AI 研究院（FAIR）开发的开源机器学习 (machine learning)框架。PyTorch 的核心是为深度学习 (deep learning)应用而设计，并以其灵活性和易用性而闻名。它允许您定义、训练和部署机器学习模型，范围从简单的模型到非常复杂的神经网络 (neural network)。

设想您需要执行一项复杂的数学运算，特别是那种涉及许多变量，需要调整以达成目标的操作，就像我们的自编码器学习重建图像那样。PyTorch 提供了底层架构，可以高效地处理这些计算，尤其是在专用硬件如 GPU（图形处理单元）的帮助下（如果您有的话）。虽然 PyTorch 功能非常强大，能够处理精细的模型设计，但在这门入门课程中，我们将通过一个更易用的界面来使用它。

什么是 Keras？它与 PyTorch 有何关联？

Keras 是一个用于构建和训练深度学习 (deep learning)模型的高级 API（应用程序编程接口）。“高级”这个术语表示它被设计为用户友好且直观，让您无需陷入张量操作或复杂数学实现的低层细节，即可定义神经网络 (neural network)。

Keras 最初是一个独立库，可以与包括 PyTorch 在内的多种后端引擎配合使用。然而，随着 Keras 3 的发布，多后端支持已成为一个主要焦点。这意味着您可以使用相同的 Keras 代码在不同的框架（包括 PyTorch）上运行。

可以这样理解：PyTorch 是强大的引擎，可以为您的神经网络完成所有繁重工作。Keras 提供了一套简化的控制和蓝图（例如预制组件），使组装和运行该引擎变得更加容易。

该图说明了 Keras 如何作为强大的 PyTorch 引擎之上的用户友好界面，让您更轻松地定义自编码器模型。

对于我们的自编码器，Keras 将使我们能够：

• 以直接的方式定义网络层（输入、编码器隐藏层、瓶颈、解码器隐藏层、输出）。
• 通过指定损失函数 (loss function)（例如我们讨论过的 MSE）和优化器（辅助模型学习的算法）来编译模型。
• 用一个简单命令在我们的数据上训练模型。

为什么为您的第一个自编码器选择这些工具？

我们选择 PyTorch 和 Keras 有几个充分的理由：

1. 方便初学者使用：特别是 Keras，降低了深度学习 (deep learning)的入门门槛。它的语法清晰，类似于您用普通语言描述网络结构的方式。
2. 行业标准：PyTorch 是研究和产业方面中应用最广泛的深度学习框架之一。学习它能为您提供有价值的技能。
3. 丰富的生态系统：有大量的文档、教程和一个庞大的社区，使得查找帮助和示例更加容易。
4. 集成体验：由于 Keras 可以使用 PyTorch 作为其后端，它们可以顺畅协同工作。

在代码中准备它们

在上一节中，您应该已经将 PyTorch 和 Keras 作为环境设置的一部分进行安装。要在您的 Python 脚本或 Jupyter notebooks 中使用它们，您将首先设置 Keras 后端，然后导入必要的库。

设置 Keras 后端的标准方式是在导入 Keras 之前设置一个环境变量。

import os
os.environ["KERAS_BACKEND"] = "torch"

然后您将导入 Keras 库。

由于 Keras 是一个多后端 API，您可以通过标准的 keras 导入来访问它。例如，当我们开始构建自编码器时，我们将像这样从 Keras 导入特定组件：

from keras.layers import Input, Dense
from keras.models import Model

这里，Input 和 Dense 是我们将要使用的层类型，而 Model 是我们用来定义自编码器整体结构的工具。现在不必过多担心这些特定的导入；我们将在后续的“构建简单自编码器模型”一节中，在构建模型时详细说明它们。

总结一下，PyTorch 提供了强大的后端，而 Keras 则提供了一种方便的方式来定义和训练我们的神经网络 (neural network)，包括我们即将构建的自编码器。有了这些工具，您就准备充分，可以将我们学到的自编码器原理转化为可运行的代码了。

接下来，我们将了解如何加载和准备数据集，这将是我们的自编码器进行学习的原始数据。