### 使用 PyTorch 实现自编码器进行异常检测 #### 构建自编码器模型 为了构建一个适用于异常检测的自编码器，在定义网络结构时通常会采用较为简单的全连接层架构。该模型旨在捕捉正常样本的主要特征模式，当遇到异常样本时则难以重构。 ```python import torch.nn as nn class Autoencoder(nn.Module): def __init__(self, input_dim=128, hidden_dims=[64, 32]): super(Autoencoder, self).__init__() encoder_layers = [] decoder_layers = [] dims = [input_dim] + hidden_dims for i in range(len(dims)-1): encoder_layers.append(nn.Linear(dims[i], dims[i+1])) encoder_layers.append(nn.ReLU(True)) decoder_layers.insert(0, nn.Linear(dims[i+1], dims[i])) decoder_layers.insert(0, nn.ReLU(True)) # Remove the last ReLU from decoder to output raw reconstruction values. del decoder_layers[-1] self.encoder = nn.Sequential(*encoder_layers) self.decoder = nn.Sequential(*decoder_layers) def forward(self, x): encoded = self.encoder(x) decoded = self.decoder(encoded) return decoded ``` 此部分代码展示了如何创建一个基础版本的自动编码器类 `Autoencoder` ，其中包含了编码器和解码器两大部分[^1]。 #### 训练过程设置 在训练阶段，仅需利用已知正常的实例来拟合参数；而在测试期间，则计算重建误差以判断是否存在异常情况： ```python from tqdm import tqdm import torch.optim as optim def train_autoencoder(model, dataloader, num_epochs=50, lr=1e-3): criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=lr) device = 'cuda' if torch.cuda.is_available() else 'cpu' model.to(device) for epoch in range(num_epochs): running_loss = 0.0 pbar = tqdm(dataloader, desc=f'Training Epoch {epoch}') for data in pbar: inputs = data['data'].to(device).float() outputs = model(inputs) loss = criterion(outputs, inputs) optimizer.zero_grad() loss.backward() optimizer.step() running_loss += loss.item() avg_loss = running_loss / (len(pbar) * batch_size) pbar.set_postfix({'loss': f'{avg_loss:.4f}'}) print('Finished Training') ``` 上述函数实现了完整的训练流程，包括损失函数的选择、优化算法的应用以及迭代更新权重的过程[^2]。 #### 异常评分机制 完成训练之后，可以通过测量新观测值与其经过自编码器后的重构之间的差异来进行异常打分。常用的方法之一是比较原始输入向量与输出预测间的均方根误差(RMSE)，以此衡量两者间差距大小: ```python def anomaly_score(autoencoder, test_data_loader): scores = [] with torch.no_grad(): for sample in test_data_loader: original = sample['data'] reconstructed = autoencoder(original.float()) score = ((original - reconstructed)**2).mean(dim=-1).sqrt().tolist() scores.extend(score) return scores ``` 这段脚本提供了评估给定数据集中各条记录对应于潜在空间映射下偏离程度的方式，从而帮助识别那些可能属于异常类别成员的对象[^3]。