mindchemistry.cell.AutoEncoder

class mindchemistry.cell.AutoEncoder(channels, weight_init='normal', has_bias=True, bias_init='zeros', has_dropout=False, dropout_rate=0.5, has_layernorm=False, layernorm_epsilon=1e-7, has_activation=True, act='relu', out_act=None)

自编码器网络。应用编码器获取隐层编码，并应用解码器获取重构数据。

参数：

• channels (list) - 每个编码器和解码器层的通道数。

• weight_init (Union[str, float, mindspore.common.initializer, List]) - 初始化层参数。如果 weight_init 是列表，则每个元素对应每个层。默认值：'normal'。

• has_bias (Union[bool, List]) - 指示全连接层是否有偏置的开关。如果 has_bias 是列表，则每个元素对应每个层。默认值：True。

• bias_init (Union[str, float, mindspore.common.initializer, List]) - 初始化层参数。如果 bias_init 是列表，则每个元素对应每个全连接层。默认值：'zeros'。

• has_dropout (Union[bool, List]) - 线性块是否有 dropout 层的开关。如果 has_dropout 是列表，则每个元素对应每个层。默认值：False。

• dropout_rate (float) - Dropout 层的丢弃率，必须是范围在 (0, 1] 的浮点数。如果 dropout_rate 是列表，则每个元素对应每个 dropout 层。默认值：0.5。

• has_layernorm (Union[bool, List]) - 线性块是否有层归一化层的开关。如果 has_layernorm 是列表，则每个元素对应每个层。默认值：False。

• layernorm_epsilon (float) - 层归一化层的超参数 epsilon。如果 layernorm_epsilon 是列表，则每个元素对应每个层归一化层。默认值：1e-7。

• has_activation (Union[bool, List]) - 线性块是否有激活函数层的开关。如果 has_activation 是列表，则每个元素对应每个层。默认值：True。

• act (Union[str, None, List]) - 线性块中的激活函数。如果 act 是列表，则每个元素对应每个激活函数层。默认值：'relu'。

• out_act (Union[None, str, mindspore.nn.Cell]) - 输出层的激活函数。默认值：None。

输入：

• x (Tensor) - 形状为 \((*, channels[0])\) 的张量。

输出：

• latents (Tensor) - 形状为 \((*, channels[-1])\) 的张量。

• x_recon (Tensor) - 形状为 \((*, channels[0])\) 的张量。

支持平台：

Ascend

样例：

>>> import numpy as np
>>> from mindchemistry import AutoEncoder
>>> from mindspore import Tensor
>>> inputs = Tensor(np.array([[180, 234, 154], [244, 48, 247]], np.float32))
>>> net = AutoEncoder([3, 6, 2])
>>> output = net(inputs)
>>> print(output[0].shape, output[1].shape)
(2, 2) (2, 3)