深度学习之自编码器实现——实现图像去噪

       大家好，我是带我去滑雪！

       自编码器是一种无监督学习的神经网络，是一种数据压缩算法，主要用于数据降维和特征提取。它的基本思想是将输入数据经过一个编码器映射到隐藏层，再通过一个解码器映射到输出层，使得输出层的结果与输入层的结果尽可能相似。自编码器的主要优点在于可以发现数据中的潜在模式和特征，进而用于特征提取或者压缩数据。它的主要应用领域包括图像去噪，识别和生成等。我们可以使用MLP或者CNN实现自编码器，在实战中自编码器可以应用在机器学习中的主成分分析，在保留主要特征下减少数据集的维数，也可以应用在CNN中，当处理尺寸很大的图片时，可以先使用自编码器来降维提取主要特征，使用主要特征进行学习。本期利用自编码器实现图像去噪。

目录

1、使用MLP创建自编码器

（1）导入相关模块和MNIST手写数据集

（2）数据预处理

（3）定义自编码器模型

（4）创建编码器模型

（5）创建解码器模型

（6）编译模型

（7）训练模型

 （8）使用自编码器来编码和解码手写数字图片

2、使用CNN创建自编码器

 （1）定义自编码器模型、编码器、解码器

（2）计算压缩图片和解码图片，画图展示

（3）使用CNN自编码器去除图片噪声

1、使用MLP创建自编码器

（1）导入相关模块和MNIST手写数据集

（2）数据预处理

       首先将特征数据转化成28*28的向量，再将数据进行归一化：

（3）定义编码器模型

（4）创建编码器模型

       编码器模型是自编码器模型的前半段。 

（5）创建解码器模型

（6）编译模型

（7）训练模型

 （8）使用自编码器来编码和解码手写数字图片

2、使用CNN创建自编码器

 （1）定义自编码器模型、编码器、解码器

（2）计算压缩图片和解码图片，画图展示

（3）使用CNN自编码器去除图片噪声

更多优质内容持续发布中，请移步主页查看。

   点赞+关注,下次不迷路！