TF之AE:AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类-阿里云开发者社区

开发者社区> 一个处女座的程序猿> 正文

TF之AE:AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类

简介: TF之AE:AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类
+关注继续查看

输出结果  

image.png

代码设计

import tensorflow as tf

import numpy as np

import matplotlib.pyplot as plt

#Import MNIST data

from tensorflow.examples.tutorials.mnist import input_data

mnist=input_data.read_data_sets("/niu/mnist_data/",one_hot=False)

# Parameter

learning_rate = 0.001

training_epochs = 20  

batch_size = 256

display_step = 1

examples_to_show = 10

# Network Parameters

n_input = 784  # MNIST data input (img shape: 28*28像素即784个特征值)

#tf Graph input(only pictures)

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

# hidden layer settings

n_hidden_1 = 128

n_hidden_2 = 64  

n_hidden_3 = 10

n_hidden_4 = 2  

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])),

   'encoder_h3': tf.Variable(tf.random_normal([n_hidden_2,n_hidden_3])),

   'encoder_h4': tf.Variable(tf.random_normal([n_hidden_3,n_hidden_4])),

   

   

   'decoder_h1': tf.Variable(tf.random_normal([n_hidden_4,n_hidden_3])),

   'decoder_h2': tf.Variable(tf.random_normal([n_hidden_3,n_hidden_2])),

   'decoder_h3': tf.Variable(tf.random_normal([n_hidden_2,n_hidden_1])),

   'decoder_h4': 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])),

   'encoder_b3': tf.Variable(tf.random_normal([n_hidden_3])),

   'encoder_b4': tf.Variable(tf.random_normal([n_hidden_4])),

   'decoder_b1': tf.Variable(tf.random_normal([n_hidden_3])),

   'decoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),        

   'decoder_b3': tf.Variable(tf.random_normal([n_hidden_1])),

   'decoder_b4': tf.Variable(tf.random_normal([n_input])),

   }

def encoder(x):

   # Encoder Hidden layer with sigmoid activation #1

   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']))

   layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['encoder_h3']),

                                  biases['encoder_b3']))

   layer_4 = tf.add(tf.matmul(layer_3, weights['encoder_h4']),

                                  biases['encoder_b4'])

   return layer_4

   

#定义decoder

def decoder(x):

   # Decoder Hidden layer with sigmoid activation #2

   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']))

   layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['decoder_h3']),

                               biases['decoder_b3']))

   layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['decoder_h4']),

                               biases['decoder_b4']))

   return layer_4

# Construct model

encoder_op = encoder(X)             # 128 Features

decoder_op = decoder(encoder_op)    # 784 Features

# Prediction

y_pred = decoder_op    #After

# Targets (Labels) are the input data.

y_true = X             #Before

cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))

optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

# Launch the graph

with tf.Session() as sess:

   sess.run(tf.global_variables_initializer())

   total_batch = int(mnist.train.num_examples/batch_size)

   # Training cycle

   for epoch in range(training_epochs):

       # Loop over all batches

       for i in range(total_batch):

           batch_xs, batch_ys = mnist.train.next_batch(batch_size)  # max(x) = 1, min(x) = 0

           # Run optimization op (backprop) and cost op (to get loss value)

           _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})

       # Display logs per epoch step

       if epoch % display_step == 0:

           print("Epoch:", '%04d' % (epoch+1),

                 "cost=", "{:.9f}".format(c))

   print("Optimization Finished!")

   encode_result = sess.run(encoder_op,feed_dict={X:mnist.test.images})

   plt.scatter(encode_result[:,0],encode_result[:,1],c=mnist.test.labels)

   plt.title('Matplotlib,AE,classification--Jason Niu')

   plt.show()


版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

相关文章
SAS学习笔记之《SAS编程与数据挖掘商业案例》(2)数据获取与数据集操作
SAS学习笔记之《SAS编程与数据挖掘商业案例》(2)数据获取与数据集操作 1. SET/SET效率高,建立的主表和建表索引的查询表一般不排序, 2. BY语句,DATA步中,BY语句规定分组变量,用于控制SET,MERGE,UPDATE或MODIFY语句。 BY<DESCENDING>variable-1 <...<DESCENDI
1346 0
iOS中CoreData数据管理系列二——CoreData框架中三个重要的类
iOS中CoreData数据管理系列二——CoreData框架中三个重要的类
17 0
ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类
ML之CatboostC:基于titanic泰坦尼克数据集利用catboost算法实现二分类
15 0
SAS学习笔记之《SAS编程与数据挖掘商业案例》(1)系统简介和编程基础
SAS学习笔记之《SAS编程与数据挖掘商业案例》(1)系统简介和编程基础 1. SAS系统简介 1.1 SAS是先编译后执行的语言,data步标志着编译的开始。 数据指针:当前内存缓存区,输入数据所在位置。 PDV:Program Data Vector,在DATA步中所有涉及的变量被编程当前向量的一部分。 2. SAS编程基础 2.1 SAS逻
1488 0
FLex数据绑定
FLex数据绑定 数据绑定实际也是借助事件机制来完成的,当目标使用了数据绑定的时候,目标对象就会监听数据源对象的某一固定事件。当数据源发生变化时,数据源会派发改变事件(ChangeEvent),通知目标对象更新数据。
442 0
+关注
一个处女座的程序猿
国内互联网圈知名博主、人工智能领域优秀创作者,全球最大中文IT社区博客专家、CSDN开发者联盟生态成员、中国开源社区专家、华为云社区专家、51CTO社区专家、Python社区专家等,曾受邀采访和评审十多次。仅在国内的CSDN平台,博客文章浏览量超过2500万,拥有超过57万的粉丝。
1701
文章
0
问答
文章排行榜
最热
最新
相关电子书
更多
文娱运维技术
立即下载
《SaaS模式云原生数据仓库应用场景实践》
立即下载
《看见新力量:二》电子书
立即下载