自编码器及其变体（理论与实践）作为个人练习项目。

简介：
Autoencoder的核心在于其理论与实践，涵盖了自编码器及其各种变体。这份PDF整理品是基于作者个人的理解和精心组织，其中部分图片来自网络资源，并已进行标注。PDF文档与相应的博客文章内容对应，详细信息请参考链接。由于时间限制，代码中设置的epoch数量相对较小，但在实际应用中，需要根据具体情况进行调整以达到最佳效果。目前主要包含普通自编码器（Autoencoder.py）、栈式自编码器（StackAutoencoder）、稀疏自编码器（SparseAutoencoder.py）和去噪自编码器（DenoisingAutoencoder.py）的简化实现，这些代码均包含详尽的注释。未来将进一步扩展到收缩自编码器、变分自编码器以及卷积神经网络自编码器等更高级的模型。该项目基于Keras 2.0.4框架构建，使用Mnist数据集进行实验。具体的设置参数和其他相关细节请查阅代码或博客中的运行结果：首先展示了普通自编码器的基本架构图以及Encoder层输出结果的可视化呈现；其次，对比了Autoencoder生成的图像与原始图像之间的差异；最后，展示了栈式自编码器的结构及其运作方式。