2.7 实现一个自动编码器
对于自动编码器,使用不同的网络架构,如图2.13 所示。在前几层中,减少了隐层神经元的数量。在中间,又开始增加隐层神经元的数量,直到隐层神经元的数量与输入变量的数量相同。中间的隐层可以看作输入的编码变体,其输出决定了编码变体的质量。
在下一个方案中,将在Keras 中实现一个自动编码器,将街景门牌号(SVHN)基准库从32×32 图像解码为32 个浮点数。可以通过解码成32×32 图像并比较图像来确定编码器的质量。
如何去做…
1)用下面的代码导入必要的函数库:
2)加载数据集并提取所需要的数据:
3)预处理数据:
4)接下来,定义自动编码器的网络架构:
5)现在,开始训练自动编码器:
6)看看自动编码如何在训练集上执行:
7)绘制一些原始图像及其解码版本,如图2.14 所示。
在第3 章 卷积神经网络 中,将向读者展示如何为SVHN 数据集实现一个卷积自动编码器。
喜欢的朋友可以添加我们的微信账号:
51CTO读书频道二维码
51CTO读书会第9群:808517103
【责任编辑:book TEL:(010)68476606】
点赞 0