TensorFlow学习--自编码器/稀疏自编码器/堆叠自编码器
2017-11-08 19:21
846 查看
自编码器(Auto Encoder)
神经网络常常用于分类,通过定义一个目标函数衡量输出与目标值之间的差异,然后通过调整系统的参数使系统尽量拟合训练数据.而对每一层神经网络来说,前一层的输出都是可看做未加工的初始数据,而这一层则是对初始数据进行加工组织的更高阶的特征.
设由无类别标签的训练样本集合 {x(1) x(2) x(3) ...},x(i)∈Rn
自编码神经网络是一种无监督学习算法,使用反向传播算法,并让目标值等于输出值.
自编码神经网络结构如图:
(输入数据为 x, 隐藏层为 h)
实际上,当训练结束后,输出层已经没有意义了.网络可以学习出一种特征变换h,即原始输入数据的另一种表示.
此时,根据隐藏层维度和输入数据维度的大小可以分为以下两种情况:
隐藏层维度小于输入数据维度
即从 x→h的变换是一种降维操作,网络试图用更小的维度去表示原始数据且尽量不损失数据信息.
隐藏层维度大于输入数据维度
当隐藏层神经元数量较多时,通过给神经元加入稀疏性限制(使h的表达尽量稀疏,即有大量的维度为0未被激活)来发现输入数据中的结构.此时,编码器为稀疏编码器.
堆叠自编码器(ASE)
单个自编码器通过虚构 x→h→x的三层网络能够学习出一种特征变换 h=f(x).自编码器模型如图:
可以将 h再当作原始数据信息训练一个新的自编码器,得到新的特征表达.即堆叠自编码器(Stacked Auto-Encoder)或栈式自编码器.
整个网络的训练是逐层进行的即逐层非监督预训练(layer-wise unsuperwised pre-training).
TensorFlow实现自编码器
下载MNIST数据集:lecun主页将数据下载到文件夹Mnist_data下:
代码及注释:
import tensorflow as tf import sklearn.preprocessing as prep import numpy as np from tensorflow.examples.tutorials.mnist import input_data # Xaiver初始化器保证权重初始化的不大不小均值为0方差为(2/(输入节点总数+输出节点总数))的均匀分布或高斯分布 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)) # 使用均匀分布 return tf.random_uniform((fan_in, fan_out), minval=low, maxval=high, dtype=tf.float32) # 去噪编码class class AdditiveGaussianNoiseAutoencoder(object): # 隐含层激活函数默认为softplus # 优化器,默认为Adam def __init__(self, n_input, n_hidden, transer_function=tf.nn.softplus, optimizer=tf.train.AdamOptimizer(), scale=0.1): # 输入变量数 self.n_input = n_input # 隐含节点数 self.n_hidden = n_hidden self.transfer = transer_function self.scale = tf.placeholder(tf.float32) self.traning_scale = scale # 参数初始化 network_weights = self.__initialize_weights__() self.weights = network_weights # 定义网络结构 # 为输入x创建一个维度为n_input的占位符 self.x = tf.placeholder(tf.float32, [None, self.n_input]) # 隐含层 self.hidden = self.transfer(tf.add(tf.matmul( self.x + scale*tf.random_normal((n_input,)),self.weights['w1']), self.weights['b1'])) # 重建层--恢复数据 self.reconstruction = tf.add(tf.matmul(self.hidden, self.weights['w2']), self.weights['b2']) # 定义自编码器的损失函数 # 计算输入输出差的平方的和 self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction, self.x), 2.0)) self.optimizer = optimizer.minimize(self.cost) # 对所有变量进行初始化 init = tf.global_variables_initializer() # 启动图 self.sess = tf.Session() self.sess.run(init) # 初始化函数 def __initialize_weights__(self): all_weights = dict() # w1使用xavier_init函数初始化: # 传入输入节点数和隐含层节点数,返回一个比较适合于softplus等激活函数的权重初始分布 all_weights['w1'] = tf.Variable(xavier_init(self.n_input, self.n_hidden)) # b1 w2 b2全部置0 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 # 计算损失函数及执行一步训练的函数 def partial_fit(self, X): # 用一个batch数据进行训练并返回当前的损失 cost, opt = self.sess.run((self.cost, self.optimizer), feed_dict={self.x: X, self.scale: self.traning_scale}) return cost # 只求损失cost,在测试集上对模型性能进行评测 def calc_total_cost(self, X): return self.sess.run(self.cost, feed_dict={self.x: X, self.scale: self.traning_scale}) # 返回自编码器隐含层的输出结果 def transform(self, X): # 提供一个接口获取抽象后的特征,隐含层的主要功能即学习出数据中的高阶特性 return self.sess.run(self.hidden, feed_dict={self.x: X, self.scale: self.traning_scale}) # 将隐含层的输出结果作为输入 # 将提取到的高阶特征恢复为原数据 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}) # 包括transform和generate两部分,输入原数据输出也是原数据 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']) # 获取隐含层的偏执系数b1 def getBiases(self): return self.sess.run(self.weights['b1']) # 标准化处理函数:将数据变为均值为0标准差为1的分布 def standard_scale(X_train, X_test): # 返回标准化后的数据 preprocessor = prep.StandardScaler().fit(X_train) # 返回自编码器隐含层的输出结果 X_train = preprocessor.transform(X_train) X_test = preprocessor.transform(X_test) return X_train, X_test # 随机抽样batch_size个数据 def get_random_block_from_data(data, batch_size): # 随机选择一个0到len(data) - batch_size之间的随机整数 start_index = np.random.randint(0, len(data) - batch_size) # 顺序选择一个batch_size大小的数据 return data[start_index:(start_index + batch_size)] # 读取Mnist_data文件夹下的MNIST数据集 mnist = input_data.read_data_sets('Mnist_data', one_hot=True) # 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) # 总训练样本数 n_samples = int(mnist.train.num_examples) # 最大轮数 training_epochs = 30 batch_size = 128 # 每隔1轮显示一次损失 display_step = 1 # 优化器optimizer为Adam且学习速率为0.001,噪声系数设为0.01 autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784, n_hidden=200, transer_function=tf.nn.softplus, optimizer=tf.train.AdamOptimizer(learning_rate=0.001), scale=0.01) for epoch in range(training_epochs): avg_cost = 0. total_batch = int(n_samples/batch_size) for i in range(total_batch): # 随机抽样batch_size个数据 batch_xs = get_random_block_from_data(X_train, batch_size) # 计算当前的损失 cost = autoencoder.partial_fit(batch_xs) # 将当前损失整合到avg_cost avg_cost += cost/n_samples * batch_size if epoch % display_step == 0: print "Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost) # 检测误差 print "Total cost:" + str(autoencoder.calc_total_cost(X_test))
输出:
Extracting Mnist_data/train-images-idx3-ubyte.gz Extracting Mnist_data/train-labels-idx1-ubyte.gz Extracting Mnist_data/t10k-images-idx3-ubyte.gz Extracting Mnist_data/t10k-labels-idx1-ubyte.gz Epoch: 0001 cost= 18393.803394318 Epoch: 0002 cost= 12056.212395455 Epoch: 0003 cost= 11560.195284091 Epoch: 0004 cost= 9874.588271023 Epoch: 0005 cost= 9680.366493750 Epoch: 0006 cost= 8302.406408523 Epoch: 0007 cost= 9170.771014205 Epoch: 0008 cost= 9230.874527273 Epoch: 0009 cost= 8316.486203977 Epoch: 0010 cost= 9159.939965909 Epoch: 0011 cost= 8616.586401136 Epoch: 0012 cost= 8459.991118182 Epoch: 0013 cost= 7664.576960227 Epoch: 0014 cost= 8489.886681250 Epoch: 0015 cost= 7643.553435795 Epoch: 0016 cost= 8587.016578409 Epoch: 0017 cost= 7797.239460795 Epoch: 0018 cost= 7596.627213068 Epoch: 0019 cost= 7543.282728409 Epoch: 0020 cost= 7634.373622159 Epoch: 0021 cost= 8546.334438636 Epoch: 0022 cost= 7568.472099432 Epoch: 0023 cost= 8288.032989773 Epoch: 0024 cost= 7934.257227273 Epoch: 0025 cost= 7766.447797727 Epoch: 0026 cost= 7191.460046591 Epoch: 0027 cost= 7610.152782386 Epoch: 0028 cost= 7378.358159091 Epoch: 0029 cost= 7491.907940909 Epoch: 0030 cost= 8503.457048864 Total cost:637764.0
参考:自编码算法与稀疏性
为什么稀疏自编码器很少见到多层的
<TensorFlow实战>
相关文章推荐
- 稀疏自编码器 栈式自编码器 深度学习预训练
- DeepLearning学习随记(一)稀疏自编码器
- 深度学习算法原理——稀疏自编码器
- 深度学习笔记:稀疏自编码器(1)——神经元与神经网络
- 深度学习入门教程UFLDL学习实验笔记一:稀疏自编码器
- 深度学习笔记一:稀疏自编码器
- 深度学习基础(十一)—— 稀疏自编码器(二)
- 系统学习深度学习(二) --自编码器,DA算法,SDA,稀疏自编码器
- 深度学习笔记:稀疏自编码器(2)——反向传导
- 深度学习入门教程UFLDL学习实验笔记一:稀疏自编码器
- Tensorflow学习之实现自编码器
- 稀疏自动编码器学习笔记
- tensorflow学习3--实现自编码器
- 【Deep Learning】1.深度学习:稀疏自编码器
- tensorflow学习笔记之简单自编码器实现
- 【theano-windows】学习笔记十四——堆叠去噪自编码器
- Tensorflow实战学习(二十五)【自编码器】
- 深度学习笔记:稀疏自编码器(3)——稀疏自编码算法
- 深度学习基础(三)(稀疏)自编码器 分类: 深度学习 2015-01-20 15:19 96人阅读 评论(0) 收藏
- UFLDL Tutorial深度学习基础——学习总结:稀疏自编码器(三)梯度检验与高级优化