使用pytorch搭建自编码器，实现图像的去噪

1.自编码器简介，包括（1.1什么是自编码器，1.2自编码器有什么用，1.3怎样构建自编码器，1.4自编码器及其变体） 2.稀疏自编码器(SAE)，包括（2.1为什么要有稀疏自编码器，2.2稀疏自编码器介绍，2.3稀疏自编码器原理，2.4与自编码器的区别） 3.收缩自编码器(CAE)，包括（3.1 预备知识，3.2 CAE目标，3.3 CAE构造） 4.去噪自编码器(DAE)，包括（4.1什么是去噪自编码器，4.2去噪自编码器的结构） 5.变分自编码器(VAE)，包括（5.1为什么用变分自编码器，5.2变分自编码器的结构）

CVAE自编码器训练过程

自编码器的源代码 非常有效 在matlab上运行状态良好，

VAE总结 VAE的本质是什么？VAE虽然也称是AE（AutoEncoder）的一种，但它的做法(或者说它对网络的诠释)是别具一格的。在VAE中，它的Encoder有两个，一个用来计算均值，一个用来计算方差，让人意外：Encoder不是用来Encode的，是用来算均值和方差的；此外均值和方差都是统计量，这里是用神经网络来计算。 事实上，VAE本质上就是在我们常规的自编码器的基础上，对encoder的结果(在VAE中对应着计算均值的网络)加上了“高斯噪声”，使得结果decoder能够对噪声有鲁棒性；而那个额外的KL loss（目的是让均值为0，方差为1），事实上就是相当于对encoder的一个正则项，希望encoder出来的东西均有零均值。 另外一个encoder（对应着计算方差的网络）的作用用来动态调节噪声的强度的。直觉上来想，当decoder还没有训练好时（重构误差远大于KL loss），就会适当降低噪声（KL loss增加），使得拟合起来容易一些（重构误差开始下降）；反之，如果decoder训练得还不错时（重构误差小于KL loss），这时候噪声就会增加（KL loss减少），使得拟合更加困难了（重构误差又开始增加），这时候decoder就要想办法提高它的生成能力了。两者是对抗的过程。重构损失希望p(Z|X)的方差越小越好（噪声越小，重构越容易），KL损失希望它的方差越接近1越好。

使用稀疏自编码器实现高光谱图像异常探测 其中包含： 1、训练部分 train_SAE_pytorch.py 2、探测部分 Anomaly_detection.py 3、用到的读取数据集的函数 datasets.py 4、圣地亚哥机场高光谱数据集 sandiego_plane.mat

近年来，深度学习在计算机视觉领域中的表现优于传统的机器学习技术，而图像分类问题是其中最突出的研究课题之一。传统的图像分类方法难以处理庞大的图像数据，且无法满足人们对图像分类精度和速度的要求，而基于深度学习的图像分类方法突破了此瓶颈，成为目前图像分类的主流方法。从图像分类的研究意义出发，介绍了其发展现状。其次，具体分析了图像分类中最重要的深度学习方法（即自动编码器、深度信念网络与深度玻尔兹曼机）以及卷积神经网络的结构、优点和局限性。再次，对比分析了方法之间的差异及其在常用数据集上的性能表现。最后，探讨了深度学习方法在图像分类领域的不足及未来可能的研究方向。

自编码器算法非常简单，实现方便，训练也较为稳定，相对于PCA算法，神经网络的强大表达能力可以学习输入的高层抽象的隐藏特征向量z,同时也能够基于z重建出输入。这里基于FashionMNIST数据集进行图片重建实战。 说明文档：https://blog.csdn.net/qq_43753724/article/details/125862444?spm=1001.2014.3001.5501

Convolutional Auto-Encoders卷积自编码器的Matlab代码，可以运行caeexamples.m对手写数据mnist_uint8进行训练测试

torch实现自编码器-Pytorch卷积自动编码器