TensorFlow2教程20：自編碼器

　　自動編碼器的兩個主要組成部分; 編碼器和解碼器

　　編碼器將輸入壓縮成一小組「編碼」(一般，編碼器輸出的維數遠小於編碼器輸入)

　　解碼器而後將編碼器輸出擴展爲與編碼器輸入具備相同維度的輸出

　　換句話說，自動編碼器旨在「重建」輸入，同時學習數據的有限表示(即「編碼」)

　　1.導入數據

　　(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()

　　x_train = x_train.reshape((-1, 28*28)) / 255.0

　　x_test = x_test.reshape((-1, 28*28)) / 255.0

　　print(x_train.shape, ' ', y_train.shape)

　　print(x_test.shape, ' ', y_test.shape)

　　(60000, 784) (60000,)

　　(10000, 784) (10000,)

　　2.簡單的自編碼器

　　code_dim = 32

　　inputs = layers.Input(shape=(x_train.shape[1],), name='inputs')

　　code = layers.Dense(code_dim, activation='relu', name='code')(inputs)

　　outputs = layers.Dense(x_train.shape[1], activation='softmax', name='outputs')(code)

　　auto_encoder = keras.Model(inputs, outputs)

　　auto_encoder.summary()

　　Model: "model"

　　_________________________________________________________________

　　Layer (type) Output Shape Param #

　　=================================================================

　　inputs (InputLayer) [(None, 784)] 0

　　_________________________________________________________________

　　code (Dense) (None, 32) 25120

　　_________________________________________________________________

　　outputs (Dense) (None, 784) 25872

　　=================================================================

　　Total params: 50,992

　　Trainable params: 50,992

　　Non-trainable params: 0

　　_________________________________________________________________

　　keras.utils.plot_model(auto_encoder, show_shapes=True)

　　

 

　　encoder = keras.Model(inputs,code)

　　keras.utils.plot_model(encoder, show_shapes=True)

　　

 

　　decoder_input = keras.Input((code_dim,))

　　decoder_output = auto_encoder.layers[-1](decoder_input)

　　decoder = keras.Model(decoder_input, decoder_output)

　　keras.utils.plot_model(decoder, show_shapes=True)

　　

       無錫婦科醫院哪家好 http://www.xasgfk.cn/

　　auto_encoder.compile(optimizer='adam',

　　loss='binary_crossentropy')

　　訓練模型

　　%%time

　　history = auto_encoder.fit(x_train, x_train, batch_size=64, epochs=100, validation_split=0.1)

　　Train on 54000 samples, validate on 6000 samples

　　Epoch 1/100

　　Epoch 100/100

　　54000/54000 [==============================] - 2s 45us/sample - loss: 0.6715 - val_loss: 0.6688

　　CPU times: user 6min 53s, sys: 23.2 s, total: 7min 16s

　　Wall time: 4min 24s

　　encoded = encoder.predict(x_test)

　　decoded = decoder.predict(encoded)

　　import matplotlib.pyplot as plt

　　plt.figure(figsize=(10,4))

　　n = 5

　　for i in range(n):

　　ax = plt.subplot(2, n, i+1)

　　plt.imshow(x_test[i].reshape(28,28))

　　plt.gray()

　　ax.get_xaxis().set_visible(False)

　　ax.get_yaxis().set_visible(False)

　　ax = plt.subplot(2, n, n+i+1)

　　plt.imshow(decoded[i].reshape(28,28))

　　plt.gray()

　　ax.get_xaxis().set_visible(False)

　　ax.get_yaxis().set_visible(False)

　　plt.show()