搞科研（三）

sparsity autoencoder

在 4fba 服务器上

进入sparsity autoencoder 路径后 ，运行sparsityAutoencoder.py 文件

这个文件使用python文件写的一个程序，并没有用到 gpu 加速，只是简单地一层编码层和一层解码层，产生两个 weight 和 bias

分别是 W1[hidden_size,visible_size] ,W2[visible_size,hidden_size], b1[hidden_size] ,b2[visible_size]

使用 将生成的参数变成字典形式，然后使用 scipy.io.savemat 将其保存为 mat 格式的文件

 opt_layer={'W1':opt_W1,'W2':opt_W2,'b1':opt_b1,'b2':opt_b2}
 scipy.io.savemat('/home/shuai/Sparse-Autoencoder-master/Sparse-Autoencoder-master/FinalResult/0/two_layers.mat',opt_layer)

对参数 mat 文件，使用 get_activation_map.m 函数，画出 saptial map ,注意参数 W1 ，W2，b1，b2 的转置 

Adversarial_Autoencoder

在4fba服务器上

进入 Adversarial_Autoencoder 路径

运行 autoencoder.py 文件，这个一个tensorflow写的程序

结果保存在 Results/autoencoder 里面

修改 autoencoder.py 文件，运行 sample函数获得权重参数等

保存在 Results/autoencoder/0 文件中

最后用 get_activation_map.m 函数，画出spatial map ，注意参数形式