欧美bbbwbbbw肥妇,免费乱码人妻系列日韩,一级黄片

TensorFlow實現(xiàn)AutoEncoder自編碼器

 更新時間:2018年03月09日 15:02:40   作者:marsjhao  
這篇文章主要為大家詳細介紹了TensorFlow實現(xiàn)AutoEncoder自編碼器,具有一定的參考價值,感興趣的小伙伴們可以參考一下

一、概述

AutoEncoder大致是一個將數(shù)據(jù)的高維特征進行壓縮降維編碼,再經(jīng)過相反的解碼過程的一種學習方法。學習過程中通過解碼得到的最終結(jié)果與原數(shù)據(jù)進行比較,通過修正權重偏置參數(shù)降低損失函數(shù),不斷提高對原數(shù)據(jù)的復原能力。學習完成后,前半段的編碼過程得到結(jié)果即可代表原數(shù)據(jù)的低維“特征值”。通過學習得到的自編碼器模型可以實現(xiàn)將高維數(shù)據(jù)壓縮至所期望的維度,原理與PCA相似。

二、模型實現(xiàn)

1. AutoEncoder

首先在MNIST數(shù)據(jù)集上,實現(xiàn)特征壓縮和特征解壓并可視化比較解壓后的數(shù)據(jù)與原數(shù)據(jù)的對照。

先看代碼:

import tensorflow as tf 
import numpy as np 
import matplotlib.pyplot as plt 
 
# 導入MNIST數(shù)據(jù) 
from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets("MNIST_data/", one_hot=False) 
 
learning_rate = 0.01 
training_epochs = 10 
batch_size = 256 
display_step = 1 
examples_to_show = 10 
n_input = 784 
 
# tf Graph input (only pictures) 
X = tf.placeholder("float", [None, n_input]) 
 
# 用字典的方式存儲各隱藏層的參數(shù) 
n_hidden_1 = 256 # 第一編碼層神經(jīng)元個數(shù) 
n_hidden_2 = 128 # 第二編碼層神經(jīng)元個數(shù) 
# 權重和偏置的變化在編碼層和解碼層順序是相逆的 
# 權重參數(shù)矩陣維度是每層的 輸入*輸出,偏置參數(shù)維度取決于輸出層的單元數(shù) 
weights = { 
 'encoder_h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 
 'encoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])), 
 'decoder_h1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1])), 
 'decoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_input])), 
} 
biases = { 
 'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1])), 
 'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2])), 
 'decoder_b1': tf.Variable(tf.random_normal([n_hidden_1])), 
 'decoder_b2': tf.Variable(tf.random_normal([n_input])), 
} 
 
# 每一層結(jié)構都是 xW + b 
# 構建編碼器 
def encoder(x): 
 layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']), 
         biases['encoder_b1'])) 
 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']), 
         biases['encoder_b2'])) 
 return layer_2 
 
 
# 構建解碼器 
def decoder(x): 
 layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']), 
         biases['decoder_b1'])) 
 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']), 
         biases['decoder_b2'])) 
 return layer_2 
 
# 構建模型 
encoder_op = encoder(X) 
decoder_op = decoder(encoder_op) 
 
# 預測 
y_pred = decoder_op 
y_true = X 
 
# 定義代價函數(shù)和優(yōu)化器 
cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2)) #最小二乘法 
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost) 
 
with tf.Session() as sess: 
 # tf.initialize_all_variables() no long valid from 
 # 2017-03-02 if using tensorflow >= 0.12 
 if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1: 
  init = tf.initialize_all_variables() 
 else: 
  init = tf.global_variables_initializer() 
 sess.run(init) 
 # 首先計算總批數(shù),保證每次循環(huán)訓練集中的每個樣本都參與訓練,不同于批量訓練 
 total_batch = int(mnist.train.num_examples/batch_size) #總批數(shù) 
 for epoch in range(training_epochs): 
  for i in range(total_batch): 
   batch_xs, batch_ys = mnist.train.next_batch(batch_size) # max(x) = 1, min(x) = 0 
   # Run optimization op (backprop) and cost op (to get loss value) 
   _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs}) 
  if epoch % display_step == 0: 
   print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c)) 
 print("Optimization Finished!") 
 
 encode_decode = sess.run( 
  y_pred, feed_dict={X: mnist.test.images[:examples_to_show]}) 
 f, a = plt.subplots(2, 10, figsize=(10, 2)) 
 for i in range(examples_to_show): 
  a[0][i].imshow(np.reshape(mnist.test.images[i], (28, 28))) 
  a[1][i].imshow(np.reshape(encode_decode[i], (28, 28))) 
 plt.show() 

代碼解讀:

首先,導入將要使用到的各種庫和數(shù)據(jù)集,定義各個參數(shù)如學習率、訓練迭代次數(shù)等,清晰明了便于后期修改。由于自編碼器的神經(jīng)網(wǎng)絡結(jié)構非常有規(guī)律性,都是xW + b的結(jié)構,故將每一層的權重W和偏置b的變量tf.Variable統(tǒng)一置于一個字典中,通過字典的key值更加清晰明了的描述。模型構建思路上,將編碼器部分和解碼器部分分開構建,每一層的激活函數(shù)使用Sigmoid函數(shù),編碼器通常與編碼器使用同樣的激活函數(shù)。通常編碼器部分和解碼器部分是一個互逆的過程,例如我們設計將784維降至256維再降至128維的編碼器,解碼器對應的就是從128維解碼至256維再解碼至784維。定義代價函數(shù),代價函數(shù)表示為解碼器的輸出與原始輸入的最小二乘法表達,優(yōu)化器采用AdamOptimizer訓練階段每次循環(huán)將所有的訓練數(shù)據(jù)都參與訓練。經(jīng)過訓練,最終將訓練結(jié)果與原數(shù)據(jù)可視化進行對照,如下圖,還原度較高。如果增大訓練循環(huán)次數(shù)或者增加自編碼器的層數(shù),可以得到更好的還原效果。

運行結(jié)果:


2. Encoder

Encoder編碼器工作原理與AutoEncoder相同,我們將編碼得到的低維“特征值”在低維空間中可視化出來,直觀顯示數(shù)據(jù)的聚類效果。具體地說,將784維的MNIST數(shù)據(jù)一步步的從784到128到64到10最后降至2維,在2維坐標系中展示遇上一個例子不同的是,在編碼器的最后一層中我們不采用Sigmoid激活函數(shù),而是將采用默認的線性激活函數(shù),使輸出為(-∞,+∞)。

完整代碼:

import tensorflow as tf 
import matplotlib.pyplot as plt 
 
from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets("MNIST_data/", one_hot=False) 
 
learning_rate = 0.01 
training_epochs = 10 
batch_size = 256 
display_step = 1 
n_input = 784 
X = tf.placeholder("float", [None, n_input]) 
 
n_hidden_1 = 128 
n_hidden_2 = 64 
n_hidden_3 = 10 
n_hidden_4 = 2 
weights = { 
 'encoder_h1': tf.Variable(tf.truncated_normal([n_input, n_hidden_1],)), 
 'encoder_h2': tf.Variable(tf.truncated_normal([n_hidden_1, n_hidden_2],)), 
 'encoder_h3': tf.Variable(tf.truncated_normal([n_hidden_2, n_hidden_3],)), 
 'encoder_h4': tf.Variable(tf.truncated_normal([n_hidden_3, n_hidden_4],)), 
 'decoder_h1': tf.Variable(tf.truncated_normal([n_hidden_4, n_hidden_3],)), 
 'decoder_h2': tf.Variable(tf.truncated_normal([n_hidden_3, n_hidden_2],)), 
 'decoder_h3': tf.Variable(tf.truncated_normal([n_hidden_2, n_hidden_1],)), 
 'decoder_h4': tf.Variable(tf.truncated_normal([n_hidden_1, n_input],)), 
} 
biases = { 
 'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1])), 
 'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2])), 
 'encoder_b3': tf.Variable(tf.random_normal([n_hidden_3])), 
 'encoder_b4': tf.Variable(tf.random_normal([n_hidden_4])), 
 'decoder_b1': tf.Variable(tf.random_normal([n_hidden_3])), 
 'decoder_b2': tf.Variable(tf.random_normal([n_hidden_2])), 
 'decoder_b3': tf.Variable(tf.random_normal([n_hidden_1])), 
 'decoder_b4': tf.Variable(tf.random_normal([n_input])), 
} 
def encoder(x): 
 layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']), 
         biases['encoder_b1'])) 
 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']), 
         biases['encoder_b2'])) 
 layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['encoder_h3']), 
         biases['encoder_b3'])) 
 # 為了便于編碼層的輸出,編碼層隨后一層不使用激活函數(shù) 
 layer_4 = tf.add(tf.matmul(layer_3, weights['encoder_h4']), 
         biases['encoder_b4']) 
 return layer_4 
 
def decoder(x): 
 layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']), 
         biases['decoder_b1'])) 
 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']), 
         biases['decoder_b2'])) 
 layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['decoder_h3']), 
        biases['decoder_b3'])) 
 layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['decoder_h4']), 
        biases['decoder_b4'])) 
 return layer_4 
 
encoder_op = encoder(X) 
decoder_op = decoder(encoder_op) 
 
y_pred = decoder_op 
y_true = X 
 
cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2)) 
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost) 
 
with tf.Session() as sess: 
 # tf.initialize_all_variables() no long valid from 
 # 2017-03-02 if using tensorflow >= 0.12 
 if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1: 
  init = tf.initialize_all_variables() 
 else: 
  init = tf.global_variables_initializer() 
 sess.run(init) 
 total_batch = int(mnist.train.num_examples/batch_size) 
 for epoch in range(training_epochs): 
  for i in range(total_batch): 
   batch_xs, batch_ys = mnist.train.next_batch(batch_size) # max(x) = 1, min(x) = 0 
   _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs}) 
  if epoch % display_step == 0: 
   print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c)) 
 print("Optimization Finished!") 
 
 encoder_result = sess.run(encoder_op, feed_dict={X: mnist.test.images}) 
 plt.scatter(encoder_result[:, 0], encoder_result[:, 1], c=mnist.test.labels) 
 plt.colorbar() 
 plt.show() 

實驗結(jié)果:


由結(jié)果可知,2維編碼特征有較好的聚類效果,圖中每個顏色代表了一個數(shù)字,聚集性很好。

當然,本次實驗所得到的結(jié)果只是對AutoEncoder做一個簡單的介紹,要想得到期望的效果,還應該設計更加復雜的自編碼器結(jié)構,得到區(qū)分性更好的特征。

以上就是本文的全部內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。

相關文章

  • python golang中grpc 使用示例代碼詳解

    python golang中grpc 使用示例代碼詳解

    這篇文章主要介紹了python golang中grpc 使用,本文通過示例代碼給大家介紹的非常詳細,對大家的學習或工作具有一定的參考借鑒價值,需要的朋友可以參考下
    2020-06-06
  • Python標準庫itertools的使用方法

    Python標準庫itertools的使用方法

    本文匯總整理了Python標準庫itertools的使用方法,并提供簡單應用示例;如果還不能滿足你的要求,歡迎加入補充
    2020-01-01
  • python設置中文界面實例方法

    python設置中文界面實例方法

    在本篇文章里小編給大家整理的是關于python設置中文界面實例方法,有興趣的朋友們可以學習參考下。
    2020-10-10
  • Python函數(shù)調(diào)用的幾種方式(類里面,類之間,類外面)

    Python函數(shù)調(diào)用的幾種方式(類里面,類之間,類外面)

    本文主要介紹了Python函數(shù)調(diào)用的幾種方式(類里面,類之間,類外面),文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2023-07-07
  • OpenCV仿射變換的示例代碼

    OpenCV仿射變換的示例代碼

    本文主要介紹了OpenCV仿射變換的示例代碼,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友們下面隨著小編來一起學習學習吧
    2022-08-08
  • python使用celery實現(xiàn)異步任務執(zhí)行的例子

    python使用celery實現(xiàn)異步任務執(zhí)行的例子

    今天小編就為大家分享一篇python使用celery實現(xiàn)異步任務執(zhí)行的例子,具有很好的參考價值,希望對大家有所幫助。一起跟隨小編過來看看吧
    2019-08-08
  • python類的實例化問題解決

    python類的實例化問題解決

    這篇文章主要介紹了python類的實例化問題解決,文中通過示例代碼介紹的非常詳細,對大家的學習或者工作具有一定的參考學習價值,需要的朋友可以參考下
    2019-08-08
  • pyenv命令管理多個Python版本

    pyenv命令管理多個Python版本

    這篇文章主要介紹了pyenv命令管理多個Python版本依賴環(huán)境的相關資料,需要的朋友可以參考下
    2017-03-03
  • Pandas庫中iloc[]函數(shù)的使用方法

    Pandas庫中iloc[]函數(shù)的使用方法

    在數(shù)據(jù)分析過程中,很多時候需要從數(shù)據(jù)表中提取出相應的數(shù)據(jù),而這么做的前提是需要先“索引”出這一部分數(shù)據(jù),下面這篇文章主要給大家介紹了關于Pandas庫中iloc[]函數(shù)的使用方法,需要的朋友可以參考下
    2023-01-01
  • python數(shù)字圖像處理像素的訪問與裁剪示例

    python數(shù)字圖像處理像素的訪問與裁剪示例

    這篇文章主要為大家介紹了python數(shù)字圖像處理像素的訪問與裁剪示例詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪
    2022-06-06

最新評論