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