Tensorflow实例：自编码器

自编码器：可以使用自身的高阶特征编码自己。自编码器通常希望使用少量稀疏的高阶特征来重构输入，加入几种限制：

1. 限制中间隐含层节点的数量，比如小于输入输出节点的数量，就相当于一个降维的过程。如果再给中间隐含层的权重加一个L1的正则，则可以根据惩罚系数控制隐含节点的稀疏程度，惩罚系数越大，学到的特征组合越稀疏，实际使用的特征数量越少。

2. 如果给数据加入噪声，就是Denoising AutoEecoder（去噪自编码器），我们将从噪声中学习出数据的特征。同样，完全复制并不能去除我们添加的噪声，无法完全复原数据。

   Tensorflow实现自编码器：

import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

# 定义xavier initialization，它的特点是会根据某一层网络的输入、输出节点数量自动调整最合适的分布。
# Xavier 和 Bengio 在一篇论文中指出，如果深度学习模型的权重初始得太小，那信号将在每层间传递时逐渐缩小而难以产生作用，
# 但如果权重初始化得太大，那信号将在每层间传递时逐渐放大并导致发散和失效。而Xaiver初始化器做的事情就是让权重被初始化
# 得不大不小，正好合适。
def xavier_init(fan_in, fan_out, constant = 1):
    low = -constant * np.sqrt(6.0 / (fan_in + fan_out))
    high = constant * np.sqrt(6.0 / (fan_in + fan_out))
    return tf.random_uniform((fan_in, fan_out), minval=low, maxval=high,
                             dtype=tf.float32)

# 定义一个去噪自编码的class
class AdditiveGaussianNoiseAutoencoder(object):

    # 构建函数：包括__init__函数，还有一些常用的成员函数
    def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,
                 optimizer=tf.train.AdamOptimizer(), scale=0.1):
        self.n_input = n_input
        self.n_hidden = n_hidden
        self.transfer = transfer_function
        self.scale = scale
        network_weights = self._initialze_weights()
        self.weights = network_weights

        # 接下来开始定义网络结构,这里只使用一个隐含层
        self.x = tf.placeholder(tf.float32, [None, self.n_input])
        self.hidden = self.transfer(tf.add(tf.matmul(
            self.x + scale * tf.random_uniform((n_input,)),
            self.weights['w1']), self.weights['b1']
        ))
        self.reconstruction = tf.add(tf.matmul(self.hidden, self.weights['w2']), self.weights['b2'])

        # 定义自编码器的损失函数，使用SE
        self.cost = 0.5 * tf.reduce_mean(tf.pow(tf.subtract(self.reconstruction, self.x), 2))

        # 定义优化器
        self.optimizer = optimizer.minimize(self.cost)

        init = tf.global_variables_initializer()
        self.sess = tf.Session()
        self.sess.run(init)

    def _initialize_weights(self):
        all_weights = dict()
        all_weights['w1'] = tf.Variable(xavier_init(self.n_input,
                                                    self.n_hidden))
        all_weights['b1'] = tf.Variable(tf.zeros([self.n_input], dtype=tf.float32))
        all_weights['w2'] = tf.Variable(xavier_init(self.n_hidden,
                                                    self.n_input))
        all_weights['b1'] = tf.Variable(tf.zeros([self.n_input], dtype=tf.float32))
        return all_weights

    # 定义执行一步训练的函数partial_fit
    def partial_fit(self, X):
        cost, opt = self.sess.run((self.cost, self.optimizer),
                                  feed_dict={self.x: X, self.scale: self.traning_scale})
        return cost

    # 定义执行一步测试的函数calc_total_cost
    def calc_total_cost(self, X):
        return self.sess.run(self.cost, feed_dict={self.x: X, self.scale: self.traning_scale})

    # 定义transform函数，它返回自编码器隐含层的输出结果。它的目的是来获取抽象后的特征，自编码器的隐含层的
    # 最主要功能就是学习出数据中的高阶特征
    def transform(self, X):
        return self.sess.run(self.hidden, feed_dict={self.x: X,
                                                     self.scale: self.training_csale})

    # 定义generate函数，它将隐含层的输出结果作为输入，通过之后的重建层将提取到的高阶特征复原为原始数据。
    def generate(self, hidden=None):
        if hidden is None:
            hidden = np.random.normal(size=self.weights['b1'])
        return self.sess.run(self.reconstruction,
                             feed_dict={self.hidden: hidden})

    # 定义reconstruct函数，它完整运行一遍复原过程，包括特取高阶特征和通过高阶特征复原数据，即包括transform和generate两块。
    def reconstruct(self, X):
        return self.sess.run(self.reconstruction, feed_dict={self.x: X,
                                                             self.scale: self.training_scale})
    # 定义getWeights函数来获取隐含层的权重w1
    def getWeights(self):
        return self.sess.run(self.weights['w1'])

    # 同理
    def getBiases(self):
        return self.sess.run(self.weights['b1'])

mnist = input_data.read_data_sets('MNIST', one_hot=True)

# 定义一个队训练、测试数据进行标准化处理的函数，均值为0，方差为1
def standard_scale(X_train, X_test):
    preprocessor = prep.StandardScaler().fit(X_train)
    X_train = preprocessor.transform(X_train)
    X_test = preprocessor.transform(X_test)
    return X_train, X_test

# 再定义一个获取随机block数据的函数：
def get_random_block_from_data(data, batch_size):
    start_index = np.random.randint(0, len(data) - batch_size)
    return data[start_index:(start_index + batch_size)]

X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

n_samples = int(mnist.train.num_examples)
training_epochs = 20
batch_size = 128
display_step = 1

autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,
                                               n_hidden=200,
                                               transfer_function=tf.nn.softplus,
                                               optimizer=tf.train.AdamOptimizer(learning_rate=0.001),
                                               scale=0.01
)

for epoch in range(training_epochs):
    avg_cost = 0
    total_batch = int(n_samples / batch_size)
    for i in range(total_batch):
        batch_xs = get_random_block_from_data(X_train, batch_size)

        cost = autoencoder.partial_fit(batch_xs)
        avg_cost += cost / n_samples * batch_size

    if epoch % display_step == 0:
        print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost))

print("Total cost: " + str(autoencoder.calc_total_cost(X_test)))