tensorflow实现简单基本自编码器

自编码器

自编码器是一种神经网络，它的输入输出是一致的，目标是使用稀疏的高阶特征重新组合起来重构自己。自动编码器是一种数据的压缩算法，其中数据的压缩和解压缩函数是和数据相关的、有损的、从样本中自动学习的。在大部分提到自动编码器的场合，压缩和解压缩的函数是通过神经网络实现的。

设计自编码器

• 搭建自编码器
• 搭建解码器
• 设定损失函数

编码器的应用

• 数据去噪
• 降维
• 生成图像

变分自编码器(VAE)

可以随机生成隐含变量，提高网络的泛化能力，比普通的自动编码器更好，缺点就是生成的图片会有点模糊。

代码详解

• 导入相关包

import tensorflow as tf
import matplotlib.pyplot as plt

• 导入准备好的数据集

(x_train,_),(x_test,_)=tf.keras.datasets.mnist.load_data()
x_train=x_train.reshape(x_train.shape[0],-1)
x_test=x_test.reshape(x_test.shape[0],-1) #-1代表自动计算 28*28

• 图片的归一化操作

x_train=tf.cast(x_train,tf.float32)/255
x_test=tf.cast(x_test,tf.float32)/255 #归一化

• 设置好输入输出的图片大小

input_size=784
hidden_size=32
output_size=784

• 建立好编码器和解码器

input=tf.keras.layers.Input(shape=(input_size,))
#encode
en = tf.keras.layers.Dense(hidden_size,activation='relu')(input)

#decode
de = tf.keras.layers.Dense(output_size,activation='sigmoid')(en)


model = tf.keras.Model(inputs=input,outputs=de)

• 将建立好的model进行编译和运行

model.compile(optimizer='adam',loss='mse')
model.fit(
    x_train,x_train,epochs=5,batch_size=256,shuffle=True,validation_data=(x_test,x_test)
)

• 将编码器"取出"

encode = tf.keras.Model(inputs=input,outputs=en)

• 将解码器"取出"

input_de = tf.keras.layers.Input(shape=(hidden_size,))
output_de = model.layers[-1](input_de)

decode = tf.keras.Model(inputs=input_de,outputs=output_de)

• 构造测试数据

encode_test = encode(x_test)
decode_test=decode(encode_test)

• 测试

n=10
plt.figure(figsize=(20,4))
for i in range(1,n):
    ax = plt.subplot(2,n,i)
    plt.imshow(x_test[i].reshape(28,28))
    ax = plt.subplot(2,n,i+n)
    plt.imshow(decode_test[i].reshape(28,28))

• 最终结果