原文链接: TensorFlow 自编码网络 提取图像特征 并用特征还原图片
上一篇: tensorboard 可视化 mnist 预测失败的图片
参考
https://blog.csdn.net/shine19930820/article/details/77131697
自编码器是神经网络的一种,是一种无监督学习方法,使用了反向传播算法,目标是使输出=输入。 自编码器内部有隐藏层 ,可以产生编码表示输入。1986 年Rumelhart 提出。
自编码器主要作用在于通过复现输出而捕捉可以代表输入的重要因素, 利用中间隐层对输入的压缩表达 ,达到像PCA那样的找到原始信息主成分的效果。
传统自编码器被用于降维或特征学习。 近年来,自编码器与潜变量模型理论的联系将自编码器带到了 生成式建模 的前沿。
构建一个两层降维的自编码网络,提取图像特征,并使用特征重新构建图像
由784--->256--->128--->256--->784
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 导入 MINST 数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)
# 网络模型参数
learning_rate = 0.01
n_hidden_1 = 256 # 第一层256个节点
n_hidden_2 = 128 # 第二层128个节点
n_input = 784 # MNIST data 输入 (img shape: 28*28)
# 占位符
x = tf.placeholder("float", [None, n_input])#输入
y = x #输出
#学习参数
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])),
'decoder_h1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1])),
'decoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_input])),
}
biases = {
'en