如何提取PyTorch自编码器的编码器部分实现测试阶段特征降维

先修正你代码里的语法错误 #

你给出的类定义存在变量未定义的问题：__init__方法接收的参数是n_features，但内部错误写了self.n_sensors = n_sensors，这里n_sensors没有被定义，会直接报错，修正后的类代码如下：

import torch.nn as nn
class Autoencoder(nn.Module):
    def __init__(self, n_features):
        super(Autoencoder, self).__init__()
        self.n_features = n_features
        
        self.encoder = nn.Sequential(
            nn.Linear(self.n_features, 1),
            nn.ReLU(True))
        
        self.decoder = nn.Sequential(
            nn.Linear(1, self.n_features),
            nn.ReLU(True))

    def forward(self, x):
        x = self.encoder(x)
        x = self.decoder(x)
        return x

提取编码器的正确操作 #

你的思路是对的，但调用方式要调整：encoder是自编码器实例的属性，不是类本身的属性，也不需要加括号调用，具体操作步骤如下：

• 首先完成自编码器的实例化、训练流程，得到训练完成的模型实例

# 示例：假设输入特征维度为10，实例化模型
autoencoder = Autoencoder(n_features=10)
# 此处省略模型训练代码，训练完成后得到可用的autoencoder实例

• 直接调用实例的encoder属性处理测试数据即可得到压缩后的潜空间特征，测试阶段建议搭配torch.no_grad()关闭梯度计算，提升运行效率、节省显存：

import torch
# 假设test_data为预处理后的测试数据张量，形状匹配编码器输入要求
with torch.no_grad():
    latent_code = autoencoder.encoder(test_data)

• 如果你需要单独把编码器作为独立模块复用，也可以单独赋值给新变量：

encoder_model = autoencoder.encoder
with torch.no_grad():
    latent_code = encoder_model(test_data)

注意：你提到的model = Autoencoder.encoder()写法是错误的，encoder是绑定在实例上的模块，不是类的静态方法，不需要加括号调用。

内容的提问来源于stack exchange，提问作者Martin