使用TensorFlow实现自编码器，这里实现的是最有代表性的去噪自编码器，因为去噪自编码器的适用范围最广泛也最通用。代码简单，并且有标注，通俗易懂，适合初学者参考。

数字视频广播网 :game_die: 用于“多视图深度子空间群集网络”的Tensorflow回购 （提交给TIP 2019 ） 概述 在这项工作中，我们通过以端到端的方式学习多视图自表示矩阵，提出了一种新颖的多视图深子空间聚类网络（MvDSCN）。 MvDSCN由两个子网组成，即分集网络（Dnet）和通用网络（Unet）。 在深度卷积自动编码器上建立潜在空间，并使用完全连接的层在潜在空间中学习自表示矩阵。 Dnet学习特定于视图的自表示矩阵，而Unet学习所有视图的公共自表示矩阵。 为了利用

TensorFlow 2.0中的自动编码器 以下自动编码器的实现； 香草自动编码器（AE） 去噪自动编码器 备用自动编码器（进行中） 压缩式自动编码器（进行中） 可变自动编码器（VAE） 条件变分自动编码器（CVAE） 节拍变奏自编码器（beta-VAE）（进行中） 如何运行： 运行python3 main.py --ae_type AE 我们可以传递的参数： ae_type：自动编码器的类型-AE，DAE，VAE，CVAE，BetaVAE latent_dim：潜在维度的度数

TF-VAE-GAN-DRAW ，和TensorFlow实现。 跑 VAE / GAN： python main.py --working_directory /tmp/gan --model vae 画： python main-draw.py --working_directory /tmp/gan 深度卷积生成对抗网络在使用默认参数的10个星期后产生了不错的结果。 ＃＃＃去做： 更复杂的数据。 添加 用空间变压器层替换当前的注意力机制