深度聚类算法因其聚类复杂、大规模数据集的能力而逐渐流行,但初学者往往难以上手,因为需要在架构、优化器以及其他超参数上作出众多决策。要获得有意义的结果,必须了解其理论基础。同时,易用性也是必要的,以便能被更广泛的受众使用。因此,我们需要一个统一的框架,允许在多样化的环境中轻松执行。虽然这适用于k-均值和DBSCAN等成熟的聚类方法,但深度聚类算法缺乏标准化结构,这增加了相当的编程负担。这使得对实证评估,它在科学研究和实际应用中都至关重要,变得复杂。我们通过提供深度聚类的理论背景以及实际实施技巧,并且提供一个具有预定义神经网络的统一结构来解决这一问题。对于后者,我们采用了Python软件包ClustPy。我们的目标是分享最佳实践,并促进社群在深度聚类研究方面的参与。