TensorFlow实现自编码器
自编码器可以使用自身的高阶特征编码自己。自编码器其实是一种神经网络,它的输入和输出是一致的,它借助稀疏编码的思想,目标是使用稀疏的一些高阶特征重新组合来重构自己。
它的特点非常明显:第一,期望输入、输出一致;第二,希望使用高阶特征来重构自己而不是复制像素点。
通俗一点就是相当于学习一个恒等式y=x。
流程
代码包括以下部分:
1、数据输入
2、对数据进行标准化处理
3、创建一个自编码器的实例
4、开始训练过程
5、对训练完的模型进行性能测试
其中自编码器(一个class)包含以下部分:
1、class的构造函数
2、参数初始化函数
3、计算损失cost的函数
4、计算损失cost,并执行一步训练的函数
5、transform函数
6、generate函数
7、reconstruct函数
代码如下
#导入常用库numpy,
# 还有scikit-learn中的preprocessing模块,
# 这是对数据进行预处理的常用模块,使数据标准化
import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
#定义参数初始化方法
def xavier_init(fan_in, fan_out, constant = 1):
low = -constant * np.sqrt(6.0 / (fan_in + fan_out))
high = constant * np.sqrt(6.0 / (fan_in + fan_out))
return tf.random_uniform((fan_in, fan_out), minval=low, maxval=high, dtype= tf.float32)
#定义一个去燥自编码的class,包含构建函数、常用函数
class AdditiveGaussianNoiseAutoencoder(object):
#构造函数
def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,
optimizer = tf.train.AdamOptimizer(), scale=0.1):
self.n_input = n_input
self.n_hidden = n_hidden
self.transfer = transfer_function
self.scale = tf.placeholder(tf.float32)
self.training_scale = scale
network_weights = self._initialize_weights()
self.weights = network_weights
#定义网络结构
self.x = tf.placeholder(tf.float32, [None, self.n_input])
self.n_hidden = self.transfer(tf.add(tf.matmul(
self.x + scale * tf.random_normal((n_input,)),
self.weights['w1']), self.weights['b1']))
self.reconstruction = tf.add(tf.matmul(self.n_hidden,
self.weights['w2']), self.weights['b2'])
#定义自编码的损失函数
self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction, self.x), 2.0))
self.optimizer = optimizer.minimize(self.cost)
init = tf.global_variables_initializer()
self.sess = tf.Session()
self.sess.run(init)
#定义参数初始化函数
def _initialize_weights(self):
all_weights = dict()
all_weights['w1'] = tf.Variable(xavier_init(self.n_input,
self.n_hidden))
all_weights['b1'] = tf.Variable(tf.zeros([self.n_hidden],
dtype = tf.float32))
all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden,
self.n_input], dtype=tf.float32))
all_weights['b2'] = tf.Variable(tf.zeros([self.n_input], dtype= tf.float32))
return all_weights
#定义计算损失cost并执行一步训练的函数partial_fit
def partial_fit(self, X):
cost, opt = self.sess.run((self.cost, self.optimizer),
feed_dict = {self.x: X, self.scale: self.training_scale})
return cost
#定义只求cost的函数
def calc_total_cost(self, X):
return self.sess.run(self.cost, feed_dict = {self.x: X,
self.scale: self.training_scale
})
#定义transform函数,它返回自编码器隐含层的输出结果。目的是提供一个接口来获取抽象后的特征
def transform(self, X):
return self.sess.run(self.hidden, feed_dict = {self.x: X,
self.scale: self.training_scale
})
#定义generate函数,它将隐含层的输出结果作为输入,通过之后的重建层将提取到的高阶特征复原为原始数据
def generate(self, hidden = None):
if hidden is None:
hidden = np.random.normal(size = self.weights["b1"])
return self.sess.run(self.reconstruction, feed_dict = {self.hidden: hidden})
#定义reconstruct函数,它整体运行一遍复原过程,包括提取高阶特征和通过高阶特征复原数据
def reconstruct(self, X):
return self.sess.run(self.reconstruction, feed_dict = {self.x: X,
self.scale: self.training_scale
})
#获取隐含层的权重w1
def getWeights(self):
return self.sess.run(self.weights['w1'])
#获取隐含层的偏置系数b1
def getBiases(self):
return self.sess.run(self.weights['b1'])
#使用TensorFlow提供的读取示例数据的函数载入MNIST数据集
#mnist = input_data.read_data_sets('MNIST_data', one_hot= True)
mnist = input_data.read_data_sets(r'H:\MNISTdata',one_hot=True)
#定义一个对训练、测试数据进行标准化处理的函数
def standard_scale(X_train, X_test):
preprocessor = prep.StandardScaler().fit(X_train)
X_train = preprocessor.transform(X_train)
X_test = preprocessor.transform(X_test)
return X_train, X_test
#定义一个获取随机block数据的函数(属于不放回抽样,可以提高数据的利用效率)
def get_random_block_from_data(data, batch_size):
start_index = np.random.randint(0,len(data)-batch_size)
return data[start_index: (start_index+batch_size)]
#对训练集、测试集进行标准化变换
X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)
#定义几个常用参数,总训练样本数,最大训练的轮数(epoch)设为20,batch_size设为128,
# 并设置每隔一轮就显示一次损失cost
n_samples = int(mnist.train.num_examples)
training_epochs = 20
batch_size = 128
display_step = 1
#创建一个AGN自编码器的实例,
# 定义模型输入节点数N_input为784,
# 自编码器的隐含节点数n_hidden为200,
# 隐含层的激活函数transfer_function为softplus,
#优化器optimizer为Adam且学习速率为0.001,
#同时将噪音的系数scale设为0.01
autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,
n_hidden=200,
transfer_function=tf.nn.softplus,
optimizer = tf.train.AdamOptimizer(learning_rate = 0.001),
scale = 0.01)
#下面开始训练过程
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(n_samples / batch_size)
for i in range(total_batch):
batch_xs = get_random_block_from_data(X_train,batch_size)
cost = autoencoder.partial_fit(batch_xs)
avg_cost += cost / n_samples * batch_size
if epoch % display_step == 0:
print("Epoch", '%04d' % (epoch+1), "cost=",
"{:.9f}".format(avg_cost))
#最后对训练完的模型进行性能测试
print("Total cost:" + str(autoencoder.calc_total_cost(X_test)))
上一篇:链接: TensorFlow实战练习.
下一篇:链接: 多层感知机.