TensorFlow 实现 CNN 自编码网络

TensorFlow 实现CNN自编码网络

1. 实现：

实现卷积编码和反卷积解码的自编码网络

2. 数据集：

MNIST数据集

3. 实现流程：

3.1 编码：CNN卷积操作

CNN卷积操作	输入图像shape	激活函数	卷积核shape	步长	输出图像shape
第一层卷积	[batch,28,28,1]	LeakReLU	[3,3,1,16]	[1,2,2,1]	[batch,14,14,16]
第二层卷积	[batch,14,14,16]	LeakReLU	[3,316,32]	[1,2,2,1]	[batch,7,7,32]
第三层卷积	[batch,7,7,32]	LeakReLU	[3,3,32,64]	[1,2,2,1]	[batch,4,4,64]
第四层卷积	[batch,4,4,64]	LeakReLU	[2,2,64,64]	[1,2,2,1]	[batch,2,2,64]

3.2 解码：反卷积操作

CNN反卷积操作	输入图像shape	激活函数	卷积核shape	步长	输出图像shape
第一层反卷积	[batch,2,2,64]	LeakReLU	[2,2,1,16]	[1,2,2,1]	[batch,4,4,64]
第二层反卷积	[batch,4,4,64]	LeakReLU	[3,316,32]	[1,2,2,1]	[batch,7,7,32]
第三层反卷积	[batch,7,7,32]	LeakReLU	[3,3,32,64]	[1,2,2,1]	[batch,14,14,16]
第四层反卷积	[batch,14,14,16]	LeakReLU	[3,3,64,64]	[1,2,2,1]	[batch,28,28,1]

3.3 主网络

主网络
获取输入	占位符	类型：tf.float32	shape：[batch,28,28,1]
前向结构	获取卷积输出	[batch,2,2,64]
	获取反卷积输出	[batch,28,28,1]
后向结构	损失	反卷积输出	输入数据	均值平方差
	优化器	tf.train.AdamOptimizer()

3.4 训练网络

1. MNIST数据集
2. 每次从训练集取100张图片
3. 因获取图片shape为【100,784】，转换为【100,28,28,1】
4. 获取损失
5. 每训练20次，输出损失
6. 从测试集中取100张图片，输入进网络，获取解码后的图片，并输出

3.5 测试代码

测试网络	形状：shape	batch=100
获取测试集	样本：[batch,784]
更改样本集的形状	样本：[batch,28,28,1]
向主网络中传入数据	样本：[batch,28,28,1]
获取解码器输出数据	预测数据：[batch,28,28,1]
输出一张真实图片
输出一张解码图片

4. 网络结构实现代码：

import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import numpy as np
import matplotlib.pyplot as plt
mnist = input_data.read_data_sets(r'E:\PycharmProjects\TensorflowTest\MNIST_data',one_hot=True)

# 卷积操作
class Convolution:
    def __init__(self):
        # 输入：[100,28,28,1]
        # 输出:(100, 14, 14, 16)
        self.filter1 = tf.Variable(tf.truncated_normal([3,3,1,16], stddev=0.1))
        self.b1 = tf.Variable(tf.zeros([16]))
        # 输出:(100, 7, 7, 32)
        self.filter2 = tf.Variable(tf.truncated_normal([3,3,16,32], stddev=0.1))
        self.b2 = tf.Variable(tf.zeros([32]))
        # 输出:(100, 4, 4, 64)
        self.filter3 = tf.Variable(tf.truncated_normal([3,3,32,64], stddev=0.1))
        self