1d我正在嘗試為循環(huán)信號cos(x)等創(chuàng)建一個去噪自動編碼器。創(chuàng)建數(shù)據(jù)集的過程是我傳遞一個循環(huán)函數(shù)列表，并且對于生成的每個示例，它為列表中的每個函數(shù)滾動隨機系數(shù)，因此生成的每個函數(shù)都是不同的但循環(huán)的。例如 -0.856cos(x) - 1.3cos(0.1x)然后我添加噪聲并將信號標(biāo)準(zhǔn)化為介于[0, 1).接下來，我在其上訓(xùn)練我的自動編碼器，但它學(xué)會輸出一個常量（通常是0.5）。我的猜測是它發(fā)生是因為0.5是歸一化函數(shù)的通常平均值。但這根本不是我渴望得到的結(jié)果。我提供了我為自動編碼器、數(shù)據(jù)生成器和訓(xùn)練循環(huán)編寫的代碼，以及描述我遇到的問題的兩張圖片。第一個例子：第二個例子：線性自動編碼器：class LinAutoencoder(nn.Module):    def __init__(self, in_channels, K, B, z_dim, out_channels):        super(LinAutoencoder, self).__init__()        self.in_channels = in_channels        self.K = K # number of samples per 2pi interval        self.B = B # how many intervals        self.out_channels = out_channels        encoder_layers = []        decoder_layers = []        encoder_layers += [            nn.Linear(in_channels * K * B, 2*z_dim, bias=True),            nn.ReLU(),            nn.Linear(2*z_dim, z_dim, bias=True),            nn.ReLU(),            nn.Linear(z_dim, z_dim, bias=True),            nn.ReLU()        ]         decoder_layers += [            nn.Linear(z_dim, z_dim, bias=True),            nn.ReLU(),            nn.Linear(z_dim, 2*z_dim, bias=True),            nn.ReLU(),            nn.Linear(2*z_dim, out_channels * K * B, bias=True),            nn.Tanh()        ]        self.encoder = nn.Sequential(*encoder_layers)        self.decoder = nn.Sequential(*decoder_layers)    def forward(self, x):        batch_size = x.shape[0]        x_flat = torch.flatten(x, start_dim=1)        enc = self.encoder(x_flat)        dec = self.decoder(enc)        res = dec.view((batch_size, self.out_channels, self.K * self.B))        return res