AutoEncoder是什么？

没有安全感的鸵鸟

已于 2022-06-10 17:10:58 修改

阅读量905

点赞数

文章标签：深度学习神经网络

于 2022-06-10 17:09:57 首次发布

本文链接：https://blog.csdn.net/qq_39758080/article/details/124886558

版权

AutoEncoder (AE) 自编码器

1 概述

AE是一种无监督学习模型，不需要带标签的数据
AE包含两部分，Encoder编码器和 Decoder解码器；模型架构如下图所示：
如上图所示：输入X经过编码器，生成潜在向量Z；Z经过解码器，生成x_hat； 模型的误差为输入X和输出X_hat的误差（通常被称为重构误差），通过误差的反向传播，梯度优化，最终得到训练好的自编码器。

2 AutoEncoder的特点

这里可能就有一个问题，就是我辛辛苦苦从X->Z，为什么还要从Z->X_hat，还要让X与X_hat尽可能接近，这不是白忙活一阵么？
- AE希望通过编码器得到 输入 X 的主要信息 Z，以达到 【数据降维】 的目的
- 那么如何知道编码后的数据是否保留了较完整的信息呢？如果 Z 能够较容易地通过解码恢复成原始数据（即X_hat 与 X 尽可能地接近），那么就认为Z 较好地保留了输入X的信息，我们就得到了一个能够实现 【特征提取】 功能的编码器
AE与CNN、RNN的区别？
- 与其说AE是一种新的模型，不如说AE是一种框架
- Encoder和Decoder可以是神经网络的一层或好几层；神经网络的每一层都是是一个权重矩阵；其中Encoder和Decoder可以是全连接层(Dense)，卷积层(CNN)，循环神经网络层(RNN)，也可以是他们的组合

3 AutoEncoder的几种实现

1、2 的编码器和解码器不同；3为具体应用（心电图异常检测）；4为变分自编码器（VAE），编码器解码器用的是卷积神经网络
文中代码均为节选片段，为了方便理解模型架构；完整代码可评论留下邮箱发。

3.1 基础自编码器【Encoder & Decoder都是全连接层】

最普通的AutoEncoder的Encoder和Decoder都是全连接层(Dense)
以MNIST数据集为例，MNIST是大型手写数字数据库,包含60,000训练集以及10,000测试集，每个数据是大小为(28, 28)的图片；构造基础AutoEncoder

#1 基本AE
# 具有两个Dense层的AE，encoder将图像压缩为64维潜在向量，decoder从潜在空间重建原始图像
latent_dim = 64             # 潜在向量大小
class Autoencoder(Model):
    def __init__(self, latent_dim):
        super(Autoencoder, self).__init__()
        self.latent_dim = latent_dim
        self.encoder = tf.keras.Sequential([
            layers.Flatten(),               # 将(28,28)展平为（784，）
            layers.Dense(latent_dim, activation='relu'),    # 全连接层，输出为（64，）激活函数为ReLU
        ])
        self.decoder = tf.keras.Sequential([
            layers.Dense(784,activation='sigmoid'),     # 全连接层，输出为（784，），激活函数为Sigmoid
            layers.Reshape((28,28))             # 将（784，）转换为（28，28），实现重构
        ])
    def call(self, x):
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        return decoded
# 模型训练
autoencoder = Autoencoder(latent_dim)
autoencoder.compile(optimizer='adam', loss=losses.MeanSquaredError())   # 重构误差 均方误差
autoencoder.fit(x_train, x_train,       # 输入 和 真实值是一样的，都是X，要计算预测值X_hat 和 X的误差
                epochs=10,
                shuffle=True,
                validation_data=(x_test, x_test))

3.2 降噪自编码器【Encoder & Decoder都是卷积神经网络】

为了缓解基础自编码器容易过拟合的问题；能够训练出能自动去噪声的自编码器
输入是加了噪声的数据X_noisy，真实值为没加噪声的原始数据X，Loss为AE预测数据X_pred和真实值X的重构误差；这里的Encoder和Decoder 都是卷积神经网络；依旧是以MNIST数据集为例

#2 图像去噪
# 向图像添加随机噪声
noise_factor = 0.2
x_train_noisy = x_train + noise_factor * tf.random.normal(shape=x_train.shape)
x_test_noisy = x_test + noise_factor * tf.random.normal(shape=x_test.shape)
# 卷积自动编码器
class Denoise(Model):
    def __init__(self):
        super(Denoise, self).__init__()
        self.encoder = tf.keras.Sequential([
            layers.Input(shape=(28,28,1)),
            layers.Conv2D(16,(3,3), activation='relu', padding='same', strides=2),  # 输出通道数为16，卷积核大小为(3,3)    
            layers.Conv2D(8,(3,3), activation='relu', padding='same', strides=2)    # 激活函数、填充、步长
        ])
        self.decoder = tf.keras.Sequential([
            layers.Conv2DTranspose(8, kernel_size=3, strides=2 , activation='relu', padding='same'),   # 相当于卷积的逆操作
            layers.Conv2DTranspose(16, kernel_size=3, strides=2, activation='relu', padding='same'),
            layers.Conv2D(1, kernel_size=(3,3), activation='sigmoid', padding='same')
        ])

    def call(self, x):
        encoded = self.encoder(x)
        decoded = self.decoder(encoded)
        return decoded

# 降噪AE-Conv
autoencoder1 = Denoise()
autoencoder1.compile(optimizer='adam', loss=losses.MeanSquaredError())
autoencoder1.fit(x_train_noisy, x_train,        # 输入为带噪声的X_noisy,真实值为X
                 epochs=10,
                 shuffle=True,
                 validation_data=(x_test_noisy, x_test))

3.3 心电图异常检测【Encoder & Decoder都是全连接层】

异常检测的原理：以正常数据作为训练集，训练得到一个能辨识、重构正常心电图的自编码器【即输入正常的心电图，能输出正常的心电图，输出接近输出】，默认异常心电图与正常心电图之间存在不同。故当输入异常心电图时，模型的输出和真实值会有较大的误差，因为模型是基于正常数据训练的。

history = autoencoder2.fit(normal_train_data, normal_train_data,        # 以正常数据作为训练集
                           epochs=20,
                           batch_size=512,
                           validation_data=(test_data, test_data),
                           shuffle=True)
# 如果重构误差高于训练集的一个标准偏差，则将该示例分类为异常。
# 训练集的重构误差
reconstructions = autoencoder2.predict(normal_train_data)
train_loss = tf.keras.losses.mae(reconstructions, normal_train_data)	# 所有的重构误差
# 选择一个比平均值高一个标准差的，作为阈值
threshold = np.mean(train_loss) + np.std(train_loss)
# 如果重构误差大于阈值，则将ECG分类为异常
def predict(model, data, threshold):
    reconstructions = model(data)
    loss = tf.keras.losses.mae(reconstructions, data)
    return tf.math.less(loss, threshold)		# 比较大小
preds = predict(autoencoder2, test_data, threshold)		# 结果，正常or异常