【TensorFlow入门完全指南】神经网络篇·自动编码机

自动编码机（Autoencoder）属于非监督学习，不需要对训练样本进行标记。自动编码机（Autoencoder）由三层网络组成，其中输入层神经元数量与输出层神经元数量相等，中间层神经元数量少于输入层和输出层。在网络训练期间，对每个训练样本，经过网络会在输出层产生一个新的信号，网络学习的目的就是使输出信号与输入信号尽量相似。自动编码机（Autoencoder）训练结束之后，其可以由两部分组成，首先是输入层和中间层，我们可以用这个网络来对信号进行压缩；其次是中间层和输出层，我们可以将压缩的信号进行还原。

首先我们导入mnist数据集，以one_hot模式加载，这样自动编码机压缩后的编码可能和distributional model有相似之处。

设置网络的参数、输入、权重初始值、偏差初始值。

之后我们定义三层网络，输入到中间值是encoder，中间值到输出是decoder，前一层的值通过权重、偏差传到后一层网络。

然后用两行代码实例化模型。

之后，我们将输出赋值到y_pred，再把标签赋值到y_true，通过计算平方损失来衡量cost，优化器使用了RMSPropOptimizer，是一种新的优化方式。

之后我们初始所有变量，下面开始训练。

首先我们初始化计算图，指定了batch的数量。在每一次迭代中（外层循环），我们在batch里进行内层循环，将optimizer，cost告诉suss.run，将训练材料喂给suss.run。

这段是将自动编码机的效果以图像的方式显示出来。