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。

为了在红外与可见光图像融合中充分利用中间层提取的信息,防止信息过度丢失,提出一种新的基于卷积自编码器和残差块的图像融合方法。该方法采用由编码器、融合层和解码器三部分组成的网络结构。将残差网络引入编码器中,将红外与可见光图像分别送入编码器后,通过卷积层和残差块来获取图像的特征图;将得到的特征图采用改进的基于L1-norm的相似度融合策略进行融合,并将其整合为一个包含源图像显著特征的特征图;重新设计损失函数,利用解码器对融合后的图像进行重构。实验结果表明,与其他融合方法相比,该方法有效地提取并保留了源图像的深层信息,融合结果在主观和客观评价中都有着一定的优势。

这是一款可由用户灵活自定义规格定义项和编码规则的自动编码系统，支持16段规格定义项(8段特项和8段自定义项)和10段信息的编码（如：大类+小类+特项规格+自定义规格+供应商代码），适用于所有行业的所有物料编码，为未来的物联网和“共享智造”提供规范入口。 其中包含五大管理模块： 1. 用户管理（含权限管理） 2. 编码规则管理（可根据各行业产品特点自由设计） 3. 客商信息管理 4. 特项管理（用于封闭式防呆编码） 5. 编码管理（重复性识别与自动编码） 每个模块都支持查询（有精确和模糊搜索）、新增、修改、删除功能，操作非常简单！ 用户名和密码都是：admin