这里是一个使用PyTorch在MNIST数据集上训练的自编码器:

我试图比较每张图像的低维表示。

打印每一层的维度:

for l in autoencoder.parameters() :     print(l.shape)

显示:

torch.Size([512, 784])torch.Size([512])torch.Size([512])torch.Size([512])torch.Size([512])torch.Size([128, 512])torch.Size([128])torch.Size([128])torch.Size([128])torch.Size([128])torch.Size([512, 128])torch.Size([512])torch.Size([512])torch.Size([512])torch.Size([512])torch.Size([784, 512])torch.Size([784])

看起来维度信息并未存储在学习的向量中?

换句话说，如果我有10000张图像，每张包含100个像素，执行上述将维度降至10像素的自编码器，应该可以访问所有10000张图像的10像素维度表示?

回答：

我对PyTorch不太熟悉，但将自编码器分成编码器和解码器模型似乎可行（我将隐藏层的尺寸从512改为64，将编码图像的维度从128改为4，以使示例运行得更快）: