自编码器（Autoencoder, AE）是一种无监督的学习方法，目标是学习一个压缩的，分布式的数据表示（编码），然后再重构出原始数据。自编码器常用于降维或特征学习，也可以用于去噪和生成模型的一部分。
自编码器由两部分组成：
- 编码器（Encoder）： 这部分网络负责将输入数据转换成一个更小的，稠密的表示形式（称为编码）。编码是原始数据的压缩表示，旨在捕捉数据的内在特征。
- 解码器（Decoder）： 解码器部分接受编码作为输入，并尝试重构原始数据。通过比较重构的数据和原始数据，自编码器可以学习如何有效地表示数据。
本项目采用Pytorch框架，并以MNIST数据集为例，实现了自编码器的训练过程。
合成图片样例：
项目依赖于Pytorch框架。可以通过Pytorch官网安装。
运行 train.py
第一次运行时，数据集会自动下载到当前目录下的 ./data 文件夹。模型训练完成后，最优模型将保存为 best.pth 文件。
运行 infer.py。会从MNIST数据集中随机抽一张图片进行编码和解码，合成图片会保存到 ./reconstructed_image.png ，并通过matplotlib展示结果。
运行 plot.py。模型会提取所有MNIST训练集图像的编码器特征（可能会需要一些时间），并利用matplotlib对这些特征进行可视化展示：
