# TensorFlow 中的去噪自編碼器 正如您在本章的第一部分中所了解的那樣，可以使用去噪自編碼器來訓練模型，以便它們能夠從輸入到訓練模型的圖像中去除噪聲： 1. 出于本示例的目的，我們編寫以下輔助函數來幫助我們為圖像添加噪聲： ```py def add_noise(X): return X + 0.5 * np.random.randn(X.shape[0],X.shape[1]) ``` 1. 然后我們為測試圖像添加噪聲并將其存儲在單獨的列表中： ```py test_images_noisy = add_noise(test_images) ``` 我們將使用這些測試圖像來測試我們的去噪模型示例的輸出。 1. 我們按照前面的例子構建和訓練去噪自編碼器，但有一點不同：在訓練時，我們將噪聲圖像輸入到輸入層，我們用非噪聲圖像檢查重建和去噪誤差，如下面的代碼所示： ```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) ``` 筆記本 `ch-10_AutoEncoders_TF_and_Keras`中提供了去噪自編碼器的完整代碼。 現在讓我們首先顯示從 DAE 模型生成的測試圖像;第一行表示原始的非噪聲測試圖像，第二行表示生成的測試圖像： ```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) ``` 上述代碼的結果如下：  接下來，當我們輸入噪聲測試圖像時，我們顯示生成的圖像： ```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) ``` 上述代碼的結果如下：  那太酷了!!該模型學習了圖像并生成了幾乎正確的圖像，即使是非常嘈雜的圖像。通過適當的超參數調整可以進一步提高再生質量。