Keras搭建的自编码模型

1. http://blog.csdn.net/u012458963/article/details/72566596
   

         https://kiseliu.github.io/2016/08/16/building-autoencoders-in-keras/

1. 
   
2. 
   
3. import numpy as np  
4. np.random.seed(1337)  # for reproducibility  
5.   
6. from keras.datasets import mnist  
7. from keras.models import Model #泛型模型  
8. from keras.layers import Dense, Input  
9. import matplotlib.pyplot as plt  
10.   
11. # X shape (60,000 28x28), y shape (10,000, )  
12. (x_train, _), (x_test, y_test) = mnist.load_data()  
13.   
14. # 数据预处理  
15. x_train = x_train.astype('float32') / 255. - 0.5       # minmax_normalized  
16. x_test = x_test.astype('float32') / 255. - 0.5         # minmax_normalized  
17. x_train = x_train.reshape((x_train.shape[0], -1))  
18. x_test = x_test.reshape((x_test.shape[0], -1))  
19. print(x_train.shape)  
20. print(x_test.shape)  
21.   
22. # 压缩特征维度至2维  
23. encoding_dim = 2  
24.   
25. # this is our input placeholder  
26. input_img = Input(shape=(784,))  
27.   
28. # 编码层  
29. encoded = Dense(128, activation='relu')(input_img)  
30. encoded = Dense(64, activation='relu')(encoded)  
31. encoded = Dense(10, activation='relu')(encoded)  
32. encoder_output = Dense(encoding_dim)(encoded)  
33.   
34. # 解码层  
35. decoded = Dense(10, activation='relu')(encoder_output)  
36. decoded = Dense(64, activation='relu')(decoded)  
37. decoded = Dense(128, activation='relu')(decoded)  
38. decoded = Dense(784, activation='tanh')(decoded)  
39.   
40. # 构建自编码模型  
41. autoencoder = Model(inputs=input_img, outputs=decoded)  
42.   
43. # 构建编码模型  
44. encoder = Model(inputs=input_img, outputs=encoder_output)  
45.   
46. # compile autoencoder  
47. autoencoder.compile(optimizer='adam', loss='mse')  
48.   
49. # training  
50. autoencoder.fit(x_train, x_train, epochs=20, batch_size=256, shuffle=True)  
51.   
52. # plotting  
53. encoded_imgs = encoder.predict(x_test)  
54. plt.scatter(encoded_imgs[:, 0], encoded_imgs[:, 1], c=y_test, s=3)  
55. plt.colorbar()  
56. plt.show()  

------------------------------------------------------------

 http://blog.csdn.net/u012458963/article/details/72566596