我们使用 MNIST 手写数字，测试通过自动编码器和对抗性自动编码器学习重建恢复效果。
- 原始图像：
- 自动编码器重建效果
- 对抗性自动编码器重建效果
- 有监督对抗性自动编码器重建效果
虽然这里看到，自动编码器和对抗性自动编码器重建出来的能力差不多，有监督对抗性自动编码器基本上重建出来的图像和输入基本对的上。他们的差别有何不同呢，通过之后几章的学习，大家会有体会。
我们学习自动编码器有什么用？ 重建图像本身自然是没有任何意义的，但是能把图像重建出来，说明模型学到了输入图像集的分布和特征。
- 提取图像特征，特征我们可以拿来做影像组学。
- 异常检测，图像的分布可以拿来做异常检测。
- 图像去噪，其中可以使用有噪声的图像生成清晰的无噪声图像。
- 语义散列可以使用降维来加快信息检索速度。
- 最近，以对抗方式训练的自动编码器可以用作生成模型（我们稍后会深入探讨）。
具体地， 我们将从以下几部分来介绍：
- 自动编码器重建 MNIST 手写数字
- 对抗性自动编码器重建 MNIST 手写数字
- 监督自动编码器重建 MNIST 手写数字
- 使用自动编码器对 MNIST 进行分类
本代码主要参考：https://github.com/Naresh1318/Adversarial_Autoencoder
原作者提供的是 tensorflow 版本，这里我提供了 tensorflow （copy Naresh1318）和 pytorch 两种版本
红框是我在 Naresh1318 的基础上新增的 torch 版本， 黄框是原作者的 tf 版本。
- torch_version
这里面是 AE, AAE, SAAE 模型训练的代码
- TorchResults
所有的实验结果均保存在这个文件夹。我已经上传了三个模型训练好的模型，可以直接拿来测试。
Tensorboard的结果我没有上传，数据太大，如果需要，可以联系我。
假设要训练 AE model。 直接运行 autoencoder_torch.py 文件。但在运行之前，确保以下事项
- 数据集是否下载
train_data = MNIST(root='./data', train=True, download=False, transform=transform)
# 如果没有下载，使用download=True, 下载一次后，后面再运行代码无需下载第一次训练模型，请设置 download=True, 下载手写数字。下载后之后训练就可以设置成False, 避免重复下载耽搁时间
2 确认文件夹地址
每个模型里都有函数 form_results， 请确认里面设置的地址正确
都确认好了就可以直接 run 了。
训练会生成 Tensorboard 文件，可以打开实时查看 训练进度。