用于表示学习的自编码器
编码器-解码器架构、瓶颈层、重构损失，以及在异常检测中的应用。
用于表示学习的自编码器 是 CoddyKit 上的免费 Learn AI with Python 课时。 这是第 1 节课，共 4 节。 你可以在下方免费阅读本课时的完整内容 — 然后在浏览器中使用内置代码编辑器和全天候 AI 导师进行实践。 这是 Learn AI with Python 学习路径的一部分，你的进度在网页和 CoddyKit 应用中同步。 Learn AI with Python 课程共包含 4 节课。
什么是自编码器？
自编码器会学习将数据压缩成一个小型编码，再将其重建出来。它包含两部分：负责压缩的编码器和负责重建的解码器。中间的压缩过程迫使它学习真正重要的信息。
import torch
import torch.nn as nn瓶颈概念
中间的窄层称为瓶颈或潜在编码。通过迫使所有信息经过少量数值，网络必须丢弃噪声，同时保留数据的基本结构。
构建编码器
对于 28x28 的图像（784 个像素），编码器会逐步缩小输入：从 784 到 256，再到 64 维的潜在编码。每个 Linear 层后面都会接一个 ReLU 非线性变换。
encoder = nn.Sequential(
nn.Linear(784, 256),
nn.ReLU(),
nn.Linear(256, 64)
)构建解码器
解码器镜像编码器，将 64 维代码扩展回 784 个像素。最后的 Sigmoid 将输出压缩到 [0,1]，以匹配归一化后的像素值。
decoder = nn.Sequential(
nn.Linear(64, 256),
nn.ReLU(),
nn.Linear(256, 784),
nn.Sigmoid()
)完整的自编码器
将编码器和解码器连接到一个模块中。前向传递先进行编码，再进行解码，返回一个与输入形状相同的重建结果。
class AutoEncoder(nn.Module):
def __init__(self, enc, dec):
super().__init__()
self.enc, self.dec = enc, dec
def forward(self, x):
z = self.enc(x)
return self.dec(z)重建损失（MSE）
训练目标就是输入本身。均方误差逐像素衡量重建结果与原始图像之间的差异。最小化该误差可以教会模型进行忠实的压缩。
criterion = nn.MSELoss()
x_flat = x.view(x.size(0), -1)
recon = model(x_flat)
loss = criterion(recon, x_flat)训练自编码器
训练采用无监督方式：没有标签，只有输入。循环使用标准的 zero_grad、forward、backward、step 流程，但损失比较的是输出与输入。
optimizer.zero_grad()
recon = model(x_flat)
loss = criterion(recon, x_flat)
loss.backward()
optimizer.step()潜在空间
训练完成后，编码器会将每个输入映射到潜在空间中的一个点。相似的输入会落在彼此附近，因此这个 64 维代码是模型学到的数据紧凑表示。
z = model.enc(x_flat)
print(z.shape) # [batch, 64]使用 t-SNE 进行可视化
64 维潜在空间很难直接观察。t-SNE会将其投影到二维空间以便绘图。图中的簇表明，自编码器从未看到标签，却将相似的项目分到了一起。
from sklearn.manifold import TSNE
codes = model.enc(all_data).detach().numpy()
proj = TSNE(n_components=2).fit_transform(codes)
# scatter plot proj colored by true label异常检测
在正常数据上训练的自编码器能够很好地重建这些数据，但面对从未见过的异常时就会表现不佳。较高的重建误差会标记出离群点，这是一种强大的无监督异常检测器。
errors = ((model(data) - data) ** 2).mean(dim=1)
anomalies = errors > threshold为什么要进行表示学习
真正有价值的是潜在代码：这是一个学到的特征向量，您可以将其用于聚类、可视化、异常检测，或将其作为另一个模型的输入，而且整个过程无需标签。
快速检查
测试您对自编码器的理解。
回顾：自编码器
您构建了一个编码器（784 到 256 到 64）和一个镜像式解码器，使用MSE 重建损失进行训练且不需要标签。您使用潜在代码进行表示学习，利用t-SNE将其可视化，并通过较高的重建误差检测异常。
常见问题解答
「用于表示学习的自编码器」课时是免费的吗？
是的 — 「用于表示学习的自编码器」的完整文本可在网页上免费阅读。要进行交互式练习（内置代码编辑器和全天候 AI 导师）并解锁 Learn AI with Python 课程的其余内容，请升级到 CoddyKit PRO。 Learn AI with Python 课程共包含 4 节课。
「用于表示学习的自编码器」这节课中我会学到什么？
编码器-解码器架构、瓶颈层、重构损失，以及在异常检测中的应用。 你通过在浏览器中直接运行的动手代码来练习 Learn AI with Python，全天候 AI 导师会在你学习这节课的过程中回答你的问题。
学习 Learn AI with Python 需要有经验吗？
无需任何先前经验。CoddyKit 上的 Learn AI with Python 课程适合初学者到高级学习者，你可以从这里开始或从头开始，按照自己的节奏学习。 这是第 1 节课，共 4 节。
「用于表示学习的自编码器」课时需要多长时间？
大多数 CoddyKit 课程大约需要 5–10 分钟。每节课都很精短且互动，所以你能稳步进步，并在网页和应用中从离开的地方继续。
我能在这节 Learn AI with Python 课中编写并运行代码吗？
能。每节 Learn AI with Python 课都包含内置代码编辑器，你可以在浏览器中直接编写并运行真实代码，并获得即时 AI 反馈 — 无需本地设置。
此课程中的所有课时
- 用于表示学习的自编码器
- 变分自编码器（VAE）
- GAN：生成器与判别器
- 条件 GAN 与风格迁移