# Keras 中的去噪自編碼器 現在讓我們在 Keras 中構建相同的去噪自編碼器。 由于 Keras 負責按批量大小喂養訓練集，我們創建了一個嘈雜的訓練集作為我們模型的輸入： ```py X_train_noisy = add_noise(X_train) ``` Keras 中 DAE 的完整代碼在筆記本 `ch-10_AutoEncoders_TF_and_Keras` 中提供。 DAE Keras 模型如下所示： ```py Layer (type) Output Shape Param # ================================================================= dense_1 (Dense) (None, 512) 401920 _________________________________________________________________ dense_2 (Dense) (None, 256) 131328 _________________________________________________________________ dense_3 (Dense) (None, 256) 65792 _________________________________________________________________ dense_4 (Dense) (None, 512) 131584 _________________________________________________________________ dense_5 (Dense) (None, 784) 402192 ================================================================= Total params: 1,132,816 Trainable params: 1,132,816 Non-trainable params: 0 ``` 由于 DAE 模型很復雜，為了演示，我們不得不將周期數增加到 100 來訓練模型： ```py n_epochs=100 model.fit(x=X_train_noisy, y=X_train, batch_size=batch_size, epochs=n_epochs, verbose=0) Y_test_pred1 = model.predict(test_images) Y_test_pred2 = model.predict(test_images_noisy) ``` 打印生成的圖像： ```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) ``` 第一行是原始測試圖像，第二行是生成的測試圖像：  ```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) ``` 第一行是噪聲測試圖像，第二行是生成的測試圖像：  正如我們所看到的，去噪自編碼器可以很好地從噪聲版本的圖像中生成圖像。