---
tags:
- autoencoder
- fashion-mnist
- pytorch
- huggingface

---

# Энкодер на датасете fashion_mnist

## Задача
Построить автоэнкодер для датасета Fashion MNIST, который будет принимать на вход изображение и создавать его же изображение на выходе.

## Архитектура
Нейросеть состоит из следующих слоев:
1.Входной слой, принимающий изображение
2.Полносвязный слой с 256 нейронами и функцией активации ReLU
3.Полносвязный слой с 128 нейронами и функцией активации ReLU
4.Скрытый слой, имеющий 50 нейронов и функцию активации ReLU
5.Полносвязный слой с 128 нейронами и функцией активации ReLU
6.Полносвязный слой с 256 нейронами и функцией активации ReLU
7.Выходной слой с функцией активации сигмоид, который производит декодирование изображения
8.Выходной слой, преобразующий выходную карту признаков в изображение
![Архитектура.png](https://s3.amazonaws.com/moonup/production/uploads/647f7020e9c81260ff881661/4IfjN_BKYtmfQoum6fj_Z.png)

## Общее количество обучаемых параметров
Автоэнкодер содержит 235,978 обучаемых параметров

## Функция оптимизации и функция ошибок
Алгоритм оптимизации - Adam, функция ошибок - бинарная кросс-энтропия.

## Размеры датасета
- Тренировочный датасет: 48,000 изображений 
- Валидационный датасет: 16,000 изображений
- Тестовый датасет: 16,000 изображений

##  Результаты обучения модели на всех трех датасетах
После 50 эпох обучения модели на тренировочном датасете, результаты на трех датасетах такие:
- Train Loss: 0.26351
- Train Accuracy: 0.27152
- Val Loss: 0.26502
- Val Accuracy: 0.26352
- Test Loss: 0.26442
- Test Accuracy:0.26600