自编码网络（二）—— 提取图片的二维特征，并利用二维特征还原图片

最新推荐文章于 2022-11-04 21:29:26 发布

全部梭哈一夜暴富

最新推荐文章于 2022-11-04 21:29:26 发布

阅读量2.3k

点赞数 1

分类专栏： TensorFlow 深度学习文章标签：深度学习

本文链接：https://blog.csdn.net/AI_girl/article/details/84791285

版权

本文介绍如何使用自编码网络将MNIST数据的784维特征逐步压缩至二维，并通过线性解码器进行图像还原。经过4层压缩，保留主要特征，避免sigmoid变换以最大化保留信息。训练结果显示，自编码网络能有效压缩和重构图像。

摘要由CSDN通过智能技术生成

在自编码网络中使用线性解码器对MNIST数据特征进行再压缩，并将其映射到直角坐标系上。

这里使用4层逐渐压缩将784维度分别压缩成256、64、16、2这四个特征向量。

1.引入图文件，定义学习参数变量

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/data/", one_hot = True)

#定义学习率
learning_rate = 0.01
#隐藏层设置
n_hidden_1 = 256
n_hidden_2 = 64
n_hidden_3 = 16
n_hidden_4 = 2
n_input = 784

#定义输入占位符
x = tf.placeholder("float", [None, n_input])
y = x
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], )),
    'encoder_h3':tf.Variable(tf.random_normal([n_hidden_2, n_hidden_3], )),
    'encoder_h4':tf.Variable(tf.random_normal([n_hidden_3, n_hidden_4], )),

    'decoder_h1