# TensorFlow 中的去噪自编码器 正如您在本章的第一部分中所了解的那样，可以使用去噪自编码器来训练模型，以便它们能够从输入到训练模型的图像中去除噪声： 1. 出于本示例的目的，我们编写以下辅助函数来帮助我们为图像添加噪声： ```py def add_noise(X): return X + 0.5 * np.random.randn(X.shape[0],X.shape[1]) ``` 1. 然后我们为测试图像添加噪声并将其存储在单独的列表中： ```py test_images_noisy = add_noise(test_images) ``` 我们将使用这些测试图像来测试我们的去噪模型示例的输出。 1. 我们按照前面的例子构建和训练去噪自编码器，但有一点不同：在训练时，我们将噪声图像输入到输入层，我们用非噪声图像检查重建和去噪误差，如下面的代码所示： ```py X_batch, _ = mnist.train.next_batch(batch_size) X_batch_noisy = add_noise(X_batch) feed_dict={x: X_batch_noisy, y: X_batch} _,batch_loss = tfs.run([optimizer,loss], feed_dict=feed_dict) ``` 笔记本 `ch-10_AutoEncoders_TF_and_Keras`中提供了去噪自编码器的完整代码。 现在让我们首先显示从 DAE 模型生成的测试图像;第一行表示原始的非噪声测试图像，第二行表示生成的测试图像： ```py display_images(test_images.reshape(-1,pixel_size,pixel_size),test_labels) display_images(Y_test_pred1.reshape(-1,pixel_size,pixel_size),test_labels) ``` 上述代码的结果如下：  接下来，当我们输入噪声测试图像时，我们显示生成的图像： ```py display_images(test_images_noisy.reshape(-1,pixel_size,pixel_size), test_labels) display_images(Y_test_pred2.reshape(-1,pixel_size,pixel_size),test_labels) ``` 上述代码的结果如下：  那太酷了!!该模型学习了图像并生成了几乎正确的图像，即使是非常嘈杂的图像。通过适当的超参数调整可以进一步提高再生质量。