异常检测 and 自编码器（2）

### 使用 PyTorch 实现异常检测自动编码器 #### 构建 LSTM 自动编码器模型 为了构建用于异常检测的LSTM自动编码器，在定义网络结构时，通常会创建两个主要部分：编码器和解码器。编码器负责压缩输入数据到较低维度的空间表示；而解码器则尝试从未压缩的数据重构原始输入。 ```python import torch from torch import nn, optim class LSTMAutoEncoder(nn.Module): def __init__(self, input_size=140, hidden_size=64, num_layers=2): super(LSTMAutoEncoder, self).__init__() # 编码器层 self.encoder = nn.LSTM(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, batch_first=True) # 解码器层 self.decoder = nn.LSTM(input_size=hidden_size, hidden_size=input_size, num_layers=num_layers, batch_first=True) def forward(self, x): encoded, _ = self.encoder(x) decoded, _ = self.decoder(encoded) return decoded ``` 此代码片段展示了如何利用 `nn.LSTM` 来搭建一个简单的双向循环神经网络架构作为基础框架[^1]。 #### 训练过程与参数调整 当准备好了模型之后，下一步就是编写训练逻辑。这涉及到设置损失函数（通常是均方误差MSE），优化算法的选择（比如Adam），以及迭代更新权重的过程： ```python model = LSTMAutoEncoder().to(device) criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): for data in dataloader: inputs = data.to(device) outputs = model(inputs) loss = criterion(outputs, inputs) optimizer.zero_grad() loss.backward() optimizer.step() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}') ``` 这段脚本说明了怎样通过反向传播最小化预测输出同实际输入间的差异来进行有效的监督学习。 #### 可视化重建效果并评估性能 完成训练后，可以通过对比原信号及其经过自编码处理后的版本来直观感受系统的运作情况。同时计算两者之间的差距——即所谓的“重建误差”，以此判断是否存在潜在的心跳异常现象: ```python encoded_data = model.encoder(normal_test_data).detach().cpu().numpy() decoded_data = model.decoder(torch.tensor(encoded_data)).detach().cpu().numpy() plt.figure(figsize=(8, 6)) plt.plot(normal_test_data[0], 'b') plt.plot(decoded_data[0], 'r') plt.fill_between(np.arange(len(normal_test_data[0])), decoded_data[0], normal_test_data[0], color='lightcoral', alpha=.5) plt.title('ECG Signal Reconstruction and Error Visualization') plt.xlabel('Time Steps') plt.ylabel('Amplitude') plt.legend(['Original', 'Reconstructed', 'Error']) plt.show() ``` 上述绘图命令能够帮助观察者理解正常样本被正确恢复的程度，并识别那些偏离预期模式过多的情况，从而标记为可能存在的异常事件[^2]。