基于Tensorflow+Python实现降噪自动编码器(DAE)
2017-09-10 19:09
756 查看
It is our choices that show what we truly are, far more than our abilities.
决定我们一生的,不是我们的能力,而是我们的选择。
运行结果截图如下:
以上是本人对于此内容的理解,敬请广大读者随时不吝批评指正,感谢。
决定我们一生的,不是我们的能力,而是我们的选择。
基于Tensorflow+Python实现降噪自动编码器(DAE)
本代码原理参考书籍TensorFlow 实战# -*- coding: UTF-8 -*- ''' Created on 2017年8月7日 @summary:利用tensorflow实现降噪自动编码器 @author: dreamhome ''' import numpy as np import sklearn.preprocessing as prep import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data def xavier_init(n_input,n_output,constant=1): """ Xavier初始化器 让权重被初始化调整合理的分布 mean=0 std=2/(n_input+n_output) :param n_input:输入节点数量 :param n_output:输出节点数量 """ low=-constant * np.sqrt(6.0/(n_input+n_output)) high=constant * np.sqrt(6.0/(n_input+n_output)) return tf.random_uniform((n_input,n_output), minval=low, maxval=high, dtype=tf.float32) class AdditiveGaussianNoiseAutoencoder(object): def __init__(self,n_input,n_hidden,transfer_function=tf.nn.softplus, optimizer=tf.train.AdamOptimizer(),scale=0.1): """ 初始化函数 :param n_input:输入变量数 :param n_hidden:隐含层节点数 :param transfer_function:隐含层激活函数 :param optimizer:优化器默认为 Adam :param scale:高斯噪声系数 """ self.n_input=n_input self.n_hidden=n_hidden self.transfer=transfer_function self.scale=tf.placeholder(dtype=tf.float32) self.training_scale=scale network_weights=self._initialize_weights() self.weights=network_weights self.x=tf.placeholder(tf.float32,[None,self.n_input]) #利用transform对结果进行激活函数处理 self.hidden=self.transfer(tf.add(tf.matmul( self.x+scale*tf.random_normal((n_input,)),self.weights['w1']) ,self.weights['b1'])) #reconstruction层对经过隐含层的数据进行复原 self.reconstruction=tf.add(tf.matmul( self.hidden,self.weights[ 4000 'w2']), self.weights['b2']) #定义自编码器的损失函数 平方误差 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) def _initialize_weights(self): """ 参数初始化函数 """ #利用字典存储参数 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 def partial_fit(self,X): """ 函数利用一个batch的数据进行训练并且返回当前的损失cost :param X: 输入数据X """ cost,opt=self.sess.run((self.cost,self.optimizer), feed_dict={self.x:X, self.scale:self.training_scale}) return cost def calc_total_cost(self,X): """ 函数在测试集上对模型进行评测时用到 """ return self.sess.run(self.cost, feed_dict={self.x:X, self.scale:self.training_scale}) def transform(self,X): """ 返回自编码器隐含层的结果,提供一个接口来获取抽象后的特征 """ return self.sess.run(self.hidden,feed_dict={self.x:X, self.scale:self.training_scale}) def generate(self,hidden=None): """ 将高阶特征复原为原始数据 """ if hidden is None: hidden=np.random.normal(size=self.weights["b1"]) return self.sess.run(self.reconstruction, feed_dict={self.hidden:hidden}) def reconstruct(self,X): """ 函数整体运行一遍复原过程 包括高阶特征提取和通过高阶特征复原数据 """ return self.sess.run(self.reconstruct,feed_dict={self.x:X, self.scale:self.training_scale}) def getWeights(self): """ 获取隐含层的权重w1 """ return self.sess.run(self.weights['w1']) def getBiases(self): """ 获取隐含层偏置系数b1 """ return self.sess.run(self.weights['b1']) def standard_scale(X_train,X_test): """ 对训练集和测试集的数据进行标准化处理 """ preprocessor =prep.StandardScaler().fit(X_train) X_train=preprocessor.transform(X_train) X_test=preprocessor.transform(X_test) return X_train,X_test def get_random_block_from_data(data,batch_size): """ 函数随机从数据集中获取block """ start_index=np.random.randint(0,len(data)-batch_size) return data[start_index:(start_index+batch_size)] if __name__ == '__main__': mnist=input_data.read_data_sets('MNIST_data',one_hot=True) X_train,X_test=standard_scale(mnist.train.images, mnist.test.images) n_samples=int(mnist.train.num_examples) training_epochs=1 batch_size=128 display_step=1 autoencoder=AdditiveGaussianNoiseAutoencoder(n_input=784, n_hidden=200, transfer_function=tf.nn.softplus, optimizer=tf.train.AdamOptimizer(learning_rate=0.001), scale=0.01) for epoch in range(training_epochs): avg_cost=0.0 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)) print("Total cost:"+str(autoencoder.calc_total_cost(X_test)))
运行结果截图如下:
以上是本人对于此内容的理解,敬请广大读者随时不吝批评指正,感谢。
相关文章推荐
- tensorflow tutorials(十):用tensorflow实现降噪自编码器(Denoising Auto-Encoder)
- 基于python脚本,实现Unity全平台的自动打包
- python tensorflow 使用minist数据集实现手写数字识别
- 基于theano的降噪自动编码器(Denoising Autoencoders--DA)
- Tensorflow+gensim实现文章自动审核功能
- 1TensorFlow实现自编码器-1.3 TensorFlow实现降噪自动编码器--计算图美化
- 基于Python实现自动慢查询分析,邮件自动发送
- 通过Python+TensorFlow实现人脸识别(一)
- Tensorflow学习笔记(二)实现降噪自动编码器--设计计算图
- Python之——实现自动抢火车票(基于Python3.6+splinter)
- tensorflow tutorials(五):用tensorflow实现自编码器(Auto-Encoder)
- Python+Socket实现基于TCP协议的客户与服务端中文自动回复聊天功能示例
- 基于esky实现python应用的自动升级
- 神经网络之Inception模型的实现(Python+TensorFlow)
- 基于python实现jenkins自动发布代码平台
- 神经网络之VGGNet模型的实现(Python+TensorFlow)
- 1TensorFlow实现自编码器-1.2TensorFlow实现降噪自动编码器设计计算图
- 基于Python3.6+splinter实现自动抢火车票
- 神经网络之ResNet模型的实现(Python+TensorFlow)