本人是一名退役OIer,大学专业医学，现在遇到一个难题，如下：

1. 我们现在拥有一个[3,长度未知]的数组，它表示的是一个肽链上各个原子的空间位置[x,y,z]（-100<x,y,z<100）（你可以理解为一条绳子上串了若干个珠子，我们现在有每个珠子在空间中的位置），由于不同蛋白质原子数目不同，故而数组的长度也不同，我们现在统一将长度设置为25000(数据中一个蛋白质的原子数目均小于25000)，剩余的位置全部用0填充，并且新增一维表示这个位置是否有原子,现在我们得到了一个[4,25000]的数组表示原子的空间位置
2. 现在我们想将其表示成一个[1,128]的向量(数组)，这个向量刻画了所有原子的位置信息（某种角度来说就是数据压缩），这样做的目的是后续作为深度学习的输入
3. 现在，如何尽量无损的将信息压缩进[1,128]的数组中，我们采用的思路是使用自动编码器进行压缩，即我们通过一个神经网络的架构(encoder)，将[4,25000]压缩成[1,128]，再通过另一个结构相似的神经网络(decoder)将其解码成[4,25000],如果decoder能较好地还原数组，则我们认为这个压缩过程是相对无损的
4. 现在我们神经网络训练500轮以后loss还是不稳定（你可以理解为压缩后还原效果不好），该如何改进？或者也没有其他比较优质的算法来进行压缩 此处贴上解码器代码(python)

class Autoencoder(nn.Module):

    def __init__(self):

        super(Autoencoder, self).__init__()


        # 编码器部分

        self.encoder = nn.Sequential(

            nn.Flatten(),

            nn.Linear(3 * max_length, 1024),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(1024, 512),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(512, 256),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(256, 128),

            nn.ReLU(inplace=True)  # 更改为 ReLU

        )


        # 解码器部分

        self.decoder = nn.Sequential(

            nn.Linear(128, 256),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(256, 512),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(512, 1024),

            nn.ReLU(inplace=True),  # 更改为 ReLU

            nn.Linear(1024, 3 * max_length),

            nn.Tanh()  # 使用 tanh 激活函数

        )


    def forward(self, x):

        mid = self.encoder(x)

        out = self.decoder(mid)

        reshape_out = out.view(out.size(0), 3, max_length)

        final_out = reshape_out * 100  # 扩展输出范围

        return final_out

希望来点大佬救救孩子orz