45.自编码器

自编码器是一种神经网络，它的输入与输出是一致的

它包含两个部分，第一部分是编码器(Encoder)，第二部分是解码器(Decoder)，编码器把图像转换为向量，解码器是将向量再转换为图像

下面我们使用手写数字数据集mnist创建自编码器

目录

1  导入库

2  加载数据集

3  训练整体自编码器

3.1  编码过程

3.2  解码过程

4  只训练编码过程

5  只训练解码过程

6  测试编码与解码

---

1  导入库

2  加载数据集

由于我们这里只要图像，所以他们的label我们随便给一个，我们看一下x_train与x_test的shape

我们可以看到图像大小都是(28,28)，数量分别是60000与10000

之后我们把图像内容转换为向量，这里我们使用reshape

我们再看一下x_train与x_test的shape

发现数量没变，第二个维度变为784(28x28)

之后我们将x_train与x_test转换为float32格式，并对其进行归一化

3  训练整体自编码器

我们现在的向量长度为784，我们想将其压缩为32，然后再将其转换为784,所以我们下面定义三个变量

我们使用函数式API创建自编码器，首先我们定义输入

3.1  编码过程

由长度为784的向量转变为长度为32的向量

3.2  解码过程

由长度为32的向量转变为长度为784的向量，由于我们的输入是进行过归一化的，取值范围在0-1之间，所以这里我们使用激活函数为sigmoid

定义完上面三个过程我们将其组合起来

之后我们对其进行编译，训练，保存

训练的速度很快，我们看一下最后几个epoch的结果

发现后面的几个epoch已经将loss讲到一个很低的值，说明这个模型还是可以的

4  只训练编码过程

只训练编码过程outputs截至到encode这一步即可，我们基于刚刚训练的all_autoencoder.h5保存只有编码过程的encode.h5

5  只训练解码过程

• 这里的输入层用的是新创建的层

6  测试编码与解码

首先我们先进行编码

先对x_test数据进行处理，之后读取编码模型并进行预测，预测之后的结果是展示不出来的，所以我们只能看一下它的shape

发现第二个维度确实是32，那么代表它的维度是正确的

之后我们进行解码，我们使用上面的encode_result进行解码

解码的结果是可以绘制出来的，我们画出来看一下

上面的一行是test的原图像，下面的一行是编码后解码的图像，我们看到是模糊了些，但是大致相似