PyTorch深度学习实战(26)——卷积自编码器
0. 前言
我们已经学习了自编码器 (AutoEncoder
) 的原理,并使用 PyTorch
搭建了全连接自编码器,但我们使用的数据集较为简单,每张图像只有一个通道(每张图像都为黑白图像)且图像相对较小 (28 x 28
)。但在现实场景中,图像数据通常为彩色图像( 3
个通道)且图像尺寸通常较大。在本节中,我们将实现能够处理多维输入图像的卷积自编码器,为了与普通自编码器进行对比,同样使用 MNIST
数据集。
1. 卷积自编码器
与传统的全连接自编码器不同,卷积自编码器 (Convolutional Autoencoder
) 利用卷积层和池化层替代了全连接层,以处理具有高维空间结构的图像数据。这样的设计使得卷积自编码器能够在较少的参