自编码网络（三）—— 使用去噪自编码提取MNIST特征

最新推荐文章于 2022-05-03 04:01:22 发布

全部梭哈一夜暴富

最新推荐文章于 2022-05-03 04:01:22 发布

阅读量1.5k

点赞数 3

分类专栏： TensorFlow 深度学习

本文链接：https://blog.csdn.net/AI_girl/article/details/84862290

版权

本文介绍了如何使用去噪自编码网络在MNIST数据集上训练模型，通过添加高斯噪声和Salt and Pepper噪声来测试模型的鲁棒性。经过训练，模型能有效地去除输入图像中的噪声，保持原始图像的特征。

摘要由CSDN通过智能技术生成

1.引入头文件，创建网络模型及定义学习参数的变量

import  numpy as np
import  tensorflow as tf
import  matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

mnist = input_data.read_data_sets("/data/", one_hot=True)

train_X = mnist.train.images
train_Y = mnist.train.labels
test_X  = mnist.test.images
test_Y  = mnist.test.labels

n_input = 784
n_hidden_1 = 256

#占位符
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_input])
dropout_keep_prob = tf.placeholder("float")

#学习参数
weights = {'h1':tf.Variable(tf.random_normal([n_input, n_hidden_1])),
           'h2':tf.Variable(tf.random_normal([n_hidden_1, n_hidden_1])),
           'out':tf.Variable(tf.random_normal([n_hidden_1, n_input]))}

biases = {'b1':tf.Variable(tf.zeros([n_hidden_1])),
          'b2':