深度自编码器：把自编码器叠起来，资源为其Keras实现，详情可以参考博客：https://blog.csdn.net/didi_ya/article/details/117120829

generate.py; model.py; train.py; read.py四个代码文件，实现vae。

深度学习--Pytorch构建栈式自编码器实现以图搜图任务（保存了模型） 包括欠完备自编码器与两种栈式自编码器的编写，同时可以参考我的博客进行阅读，包括了不同代码实现效果

应用自编码器对图像进行去噪，包含加噪声的图片，去噪声声的图片，去噪后的对比图及源码python文档及自编码器的模型

评分预测是推荐系统的一个组成部分，通过一个实数表达对用户的偏好进行预测，在学术界被广泛研究。神经网络具有很强的特征提取能力，能获取数据深层次的特征。使用神经网络中的一种网络即自编码器，通过扩展使其具有处理像评分矩阵这种有缺失数据的矩阵的能力，并通过实验证明其预测结果与当前主流的评分预测算法SVD的性能接近。

针对高维数据聚类的问题，许多有效的方法已经被提出，级联的子空间聚类算法CSC就是一种有效的解决法案。但是CSC算法定义的聚类损失可能破坏特征空间，从而取得非代表性的无意义特征，进而损害聚类性能。为了解决这一问题，提出了一种结合自编码器保留数据结构的改进算法。具体地说，使用聚类损失作为引导，分散特征空间数据点，同时采用一种欠完备的自动编码器作为重构损失，约束操作和维护数据生成分布的局部结构。将两者结合，共同优化聚类标签的分配，学习适合聚类的局部结构保留特征。使用自适应矩估计（Adam）和小批量随机梯度下降（mini-batch SGD）两种优化方法调整模型参数。在多个数据集上，使用聚类结果准确率（ACC）、标准互信息（NMI）和调整rand指数（ARI）三个评价指标验证了该算法的有效性和优越性。

用自编码器实现数据的降维，再重构出手写数字图像

采用Python编写的堆叠自编码器（SDAE）,可用于特征学习、模式分类等场景

在MNIST数据集上利用自编码器实现了图像降噪，具体包括： 环境：Tensorflow 2.0-GPU + Win10 + Anaconda 1. 使用卷积自编码器进行图像降噪 2. 测试自编码器的自适应降噪能力 3. 计算重建图像和原始图像的PSNR 4. 对卷积核，通道进行可视化，分析降噪过程

使用TensorFlow实现自编码器，这里实现的是最有代表性的去噪自编码器，因为去噪自编码器的适用范围最广泛也最通用。代码简单，并且有标注，通俗易懂，适合初学者参考。