本篇主要介绍自编码这一粗暴、有效的手段。
自编码是一个很有趣的思路，很容易被理解和接受，它替代了传统的特征提取过程(深度学习实际上也是替代这个过程，只不过二者方法不一样)
1.自编码采用的方式是先对源数据进行编码，即对元数据进行层层抽象
2.之后再利用抽象的数据进行数据还原，之后对比还原后的数据和源数据的差异性(计算还原误差，或者通用的叫法是损失值)
3.再针对损失值进行优化，使得还原后的损失尽量小。实际上可以理解为一个逼近的过程，就是通过另一种表示尽量模仿原来的数据，使得损失的信息尽量少。
这三步进行循环迭代直到达到预期的优化值或者达到迭代次数的上限。下面开始代码注解。
导入相关的函数和数据集
# -*- coding: utf-8 -*- """ 自编码的实例 在MNIST数据集上采用自编码进行手写体识别 使用数据集:http://yann.lecun.com/exdb/mnist/ 源码链接:https://github.com/aymericdamien/TensorFlow-Examples/blob/master/examples/3_NeuralNetworks/autoencoder.py """ from __future__ import division, print_function, absolute_import import tensorflow as tf import numpy as np import matplotlib.pyplot as plt # 导入数据 from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("MNIST_data", one_hot=True)设置参数
# 参数 #步长 或学习速率 learning_rate = 0.01 #迭代多少次 training_epochs = 5 #批量大小 batch_size = 256 #迭代多少次打印一次结果 display_step = 1 examples_to_show = 10 # 网络参数 #第一层提取256个特征 n_hidden_1 = 256 #第二层提取128个特征 n_hidden_2 = 128 #输入数据28*28 n_input = 784 # tf Graph input (only pictures) #实际shape[256,784] X = tf.placeholder("float", [None, n_input]) # 权重参数 # encoder_h1=[784,256] # encoder_h2=[256,128] # decoder_h1=[128,256] # decoder_h2=[256,784]权重和偏差的参数，包含编码(encoder和decoder两个过程)
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])), } #biase参数 #encoder_b1=[256] #encoder_b2=[128] #decoder_b1=[256] #decoder_b2=[784] 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])), }定义encoder层
# 构建Encoder层 def encoder(x): # 第一层编码采用sigmoid激活函数 即对WX+b的结果采用Sigmoid进行激活 #x->[256,784],w->[784,256] #layer_1->[256,256] layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']), biases['encoder_b1'])) # 第二层在第一层结果的基础上进行Sigmoid激活，即对WX1+b的结果进行Sigmoid激活，这里X1即为layer_1 #layer_1->[256,256],w->[256,128] #layer_2->[256,128] layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']), biases['encoder_b2'])) return layer_2定义decoder层
# 构建decoder层 def decoder(x): # 对编码层的结果进行解码，这里相当于做一个反向的还原 # x=layer_2->[256,128],w->[128,256] # 解码结果layer_1->[256,256] layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']), biases['decoder_b1'])) # 对上面的结果进行再次解码 # w->[256,784] # 结果layer_2->[256,784] 相当于对图像做了一次还原 layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']), biases['decoder_b2'])) return layer_2构建模型、定义优化方法、损失函数等
# 构造模型 #先编码 encoder_op = encoder(X) #再解码 decoder_op = decoder(encoder_op) # 解码后的结果，就相当于是预测的结果 y_pred = decoder_op # Targets (Labels) are the input data. y_true = X # 定义损失函数，这里采用误差平方的均值 cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2)) # 采用RMS方法进行优化 optimizer = tf.train.RMSPropOptimizer(learning_rate).minimize(cost)构建计算图
# 初始化变量 init = tf.global_variables_initializer() # 开始构建Graph with tf.Session() as sess: sess.run(init) #总共计算批次 total_batch = int(mnist.train.num_examples/batch_size) # 总共进行20次循环迭代 for epoch in range(training_epochs): # 遍历每个批次 for i in range(total_batch): batch_xs, batch_ys = mnist.train.next_batch(batch_size) # 迭代优化 _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs}) # 这里if没什么意义，如果display_step不是1的话则有意义，表示多少次打印一次结果 if epoch % display_step == 0: print("迭代次数:", 'd' % (epoch+1), "损失值=", "{:.9f}".format(c)) print("优化完成")测试效果
# 在测试集上进行自编码的测试 encode_decode = sess.run( y_pred, feed_dict={X: mnist.test.images[:examples_to_show]}) # 线性化的对比测试结果Compare original images with their reconstructions 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))) f.show() plt.draw() plt.waitforbuttonpress()今天就写到这里，未完待续
