学习了MLP的构建后进入到AE（AutoEncoder，自动编码器）的学习，
本文的代码来着 sherry大佬，做了一些改动，比如把两个文件合为一个，还有其他一些细节的改动还有我作为一个小白的注释等。

最简单的AutoEncoder不过是一个拥有瓶颈层（bottleneck layer）的MLP 【1】 ，所以在神经网络的结构上只需要做出一点改动即可。其功能是通过将输入信息作为学习目标，对输入信息进行表征学习（representation learning）。

程序通过encoder将mnist数据中的部分图片（高维输入图片x）由高维降维为低维，从而实现图片数据特征的提取；之后通过decoder将低维信息还原为高维信息（高维输出图片y），通过x与y之间的差异进行损失函数的评估，从而去优化神经网络中的参数，进而优化我们所需的特征数据。

一、python代码（基于pytorch）

import torch
import torch.nn as nn
import torch.nn.functional as F
import visdom
from torchvision import datasets,transforms
from torch.utils.data import DataLoader


# 创建模型
class AE_Net(nn.Module):
    def __init__(self):
        super(AE_Net,self).__init__()
        self.encoder1=nn.Linear(784,256)
        self.encoder2=nn.Linear(256,64)
        self.encoder3=nn.Linear(64,20)

        self.decoder1=nn.Linear(20,64)
        self.decoder2=nn.Linear(64,256)
        self.decoder3=nn.Linear(256,784)


    def forward(self,x):

        x=x.flatten(1)    # 展开为1维
        x = F.relu(self.encoder1(x))
        x = F.relu(self.encoder2(x))
        x = F.relu(self.encoder3(x))
        x = F.relu(self.decoder1(x))
        x = F.relu(self.decoder2(x))
        x = torch.sigmoid(self.decoder3(x))
        x=x.view(-1,1,28,28)  # 相当于reshape

        return x


# 数据在输入神经网咯前的预处理吧
mnist_train = datasets.MNIST('data/',train=True,download=True,transform=transforms.Compose([transforms.ToTensor()]))
mnist_test = datasets.MNIST('data/',train=False,download=True,transform=transforms.Compose([transforms.ToTensor()]))

train_loader=DataLoader(mnist_train,batch_size=32,shuffle=True)  # 一次性输入32张图片给网络进行训练和shuffle=True用于打乱数据集
test_loader=DataLoader(mnist_test,batch_size=32,shuffle=False)

x,y=iter(train_loader).next()   # 生成迭代器，并返回迭代器的下一个项目
print(x.shape)

# 神经网络的三大法宝：
net=AE_Net()  # 模型
optimizer=torch.optim.Adam(net.parameters(),lr=1e-3)  # 优化
loss=nn.MSELoss()  # 损失

# vis=visdom.Visdom()  # 定义一个visdom
vis = visdom.Visdom(env=u'withstand')

# 多次训练
for epoch in range(10):   # 这个训练过程很久，所以训练次数暂时定为10次
    for batch_idx,(x,y) in enumerate(train_loader):
        x_hat=net(x)
        los=loss(x_hat,x)
        optimizer.zero_grad()  # 三大固定步骤  优化阶梯归零
        los.backward()   # 后向传递
        optimizer.step()  # 更新参数

    print(epoch,'loss:',los.item())
    x,y=iter(test_loader).next()
    with torch.no_grad():    # 强制之后的内容不进行图构建
        x_hat=net(x)
    vis.images(x,nrow=8,win='x-ae',opts=dict(title='x'))
    vis.images(x_hat,nrow=8,win='x_hat',opts=dict(title='x_hat'))

二、程序运行结果

打开网页http://localhost:8097，输入环境名，即可得到运行结果

三、总结

深度神经网络的代码框架可以归纳如下：
1、class net 建模
（1）结构定义
（2）forward函数，正向传播函数
2、训练
（1）对训练数据集的引入以及初始化
（2）建完三大法宝：模型，优化，损失
（3）进入多次训练循环：调用网络；计算损失函数；三个固定语句
（4）对结果进行print或者plt展示
（5）test测试

四、关于运行visdom[WinError10061]问题的解决

出现问题，一旦使用visdom就显示出 ConnectionRefusedError: [WinError 10061] 由于目标计算机积极拒绝，无法连接 然后显示不出结果

打开【Anaconda Prompt】

第一步，激活环境，键入：

activate (环境名)

第二步，启动visdom的服务器，键入：

python -m visdom.server

等一小会就会出现以下信息，

接着打开他给的网页，运行程序，就可以显示了，

但是在跑代码之前都必须按这个步骤打开visdom server才不会出错。

五、注释

【1】Wang H, Yeung D Y. Towards Bayesian deep learning: A framework and some existing methods[J]. IEEE Transactions on Knowledge and Data Engineering, 2016, 28(12): 3395-3408.
这话来着这篇文章，原文：In its simplest form, an autoencoder is no more than a multilayer perceptron with a bottleneck layer (a layer with a small number of hidden units) in the middle.
译文：在其最简单的形式中，一个自动编码器不过是一个多层感知器，在中间有一个瓶颈层（一个具有少量隐藏单元的层）。