初学tensorflow-自编码

我理解的自编码是对原数据进行降维处理，从而能够减少无用特征，提高模型效率。以下对MNIST数据集进行自编码处理。

1、导入功能包

import tensorflow.compat.v1 as tf
tf.disable_eager_execution()
import numpy as np
import matplotlib.pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data

2、下载数据集

mnist = input_data.read_data_sets("/tmp/data/", one_hot=False)

3、配置参数

learning_rate = 0.01
training_epochs = 5
batch_size = 256
examples_to_show = 10
n_input = 784
n_hidden_1 = 256 # 1st layer num features
n_hidden_2 = 128 # 2nd layer num features

• 从上到下依次是学习率、训练轮数、批数据、测试个数、MNIST数据集原始维度、两个隐层的节点数。

4、权重与偏置

weights = {
    'encoder_h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'encoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'decoder_h1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1])),
    'decoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_input])),
            }
biases = {
    'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'decoder_b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'decoder_b2': tf.Variable(tf.random_normal([n_input])),
            }

• 权重与偏置，两层用于自编码的压缩，两层用于自编码的解压。
• 以解压后的数据与原数据做对比，计算损失，进行优化。

5、模型输入

X = tf.placeholder("float", [None, n_input])

6、模型（压缩与解压）

def encoder(x):
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']),
                               biases['encoder_b1']))
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']),
                               biases['encoder_b2']))
return layer_2

def decoder(x):
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']),
                               biases['decoder_b1']))
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']),
                               biases['decoder_b2']))
return layer_2
encoder_op = encoder(X)
pred = decoder(encoder_op)

• 有关第一个方法，采用sigmoid激活函数，对数据进行压缩，压缩后的维度为256.layer2继续压缩，后维度为128.
• 有关第二个方法，根据压缩后的数据进行复原，以128维扩展至256维，扩展至784维。

7、模型编译

cost = tf.reduce_mean(tf.pow(X - pred, 2))
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

• 注意此处的误差计算方式，目前没有理解。

8、模型训练并测试测试集

with tf.Session() as sess:
    init = tf.global_variables_initializer()
    sess.run(init)
    total_batch = int(mnist.train.num_examples / batch_size)
    for epoch in range(training_epochs):
        for i in range(total_batch):
            batch_xs, batch_ys = mnist.train.next_batch(batch_size)  # max(x) = 1, min(x) = 0
            _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})
        print("Epoch:", '%04d' % (epoch+1),
              "cost=", "{:.9f}".format(c))
print("Optimization Finished!")
！！！#test
encode_decode = sess.run(
    pred, feed_dict={X: mnist.test.images[:examples_to_show]})
f, a = plt.subplots(2, 10, figsize=(10, 2))
for i in range(examples_to_show):
    a[0][i].imshow(np.reshape(mnist.test.images[i], (28, 28)))
    a[1][i].imshow(np.reshape(encode_decode[i], (28, 28)))
plt.show()

• 第一部分用于训练，每次丢入256个数据进行训练，至全部丢入为一个epoch，共训练10轮epoch。_, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})run运行[optimizer, cost]，其实只需一个optimzer即可，但是为了显示每一轮epoch后的损失，将其加入至run，反馈回cost用于输出。
• 第二部分用于测试与画图，画图部分暂时未精确学习，后续。

9、代码已上传本人github,其主要根据莫烦代码修改而成。

参考文献：1、莫烦tensorflow教程