基於TensorFlow實現自編碼器（附源碼）

微信公眾號

關鍵字

全網搜索最新排名

【機器學習演算法】：排名第一

【機器學習】：排名第二

【Python】：排名第三

【演算法】：排名第四

AE簡介

傳統的機器學習很大程度上依賴於好的特徵工程，而特徵工程是一項十分耗費精力與時間的事情，最主要的是在語音、圖像和視頻中提取有效地特徵就更難了。而深度學習，包括有監督的深度學習和無監督的深度學習，可以完美的解決人工難以有效提取特徵的問題，他可以大大緩解機器學習模型對特徵工程的依賴性。

例如在圖像識別問題中，我們有大量的圖片，這其中不僅包括汽車的圖片還包括其他類別的圖片，那麼我們如何識別出圖片中的內容是汽車而不是其他呢？最簡單的一種想法就是從像素級特徵訓練一個分類器模型，那麼絕大多數演算法將很難有效地工作。其實，我們可以提取出高階的特徵，比如汽車的車輪、車窗、車身等，然後基於這些特徵進行分類；同時，汽車的車輪車窗、車身等每一個組件都是有更小的單位特徵組合而成的。現在，我們將上述的過程逆過來，將一張圖片從像素特徵就開始慢慢的抽象，從像素組成點、線，再將點、線組合成小的部件，然後基於這些小的部件組成車窗、車輪等高階特徵，上述過程就是在深度學習里訓練過程所進行的特徵提取。

針對於有標籤的數據集我們可以直接訓練一個深層的神經網路；如果沒有標註的數據呢？這種情況下我們可以採用無監督的自動編碼器來實現。自動編碼器（AutoEncoder），顧名思義，既可以使用自身的高階特徵編碼自己。自編碼器也是一種神經網路，不過他的輸入輸出是一致的，借稀疏編碼的思想，使用一些高級的特徵重新組合來重構自己。因此，實現自動編碼器的關鍵在於是的輸入與輸出盡量一直，其次通過高階特徵重構自己而不是進行簡單的像素點的複製。

2006年，Hinton教授提出了基於深度新年網路（deep belief networks,DBN）可以使用無監督的逐層pre-training的貪心演算法與fine-tune相結合的演算法，為訓練深度神經網路提供了一個可行的方案：我們可能河南直接訓練很深的網路，但是我們可以使用無監督的逐層訓練提取特徵，將網路的權重初始化到一個比較好的位置，輔助後面的監督訓練。這個思想與自動編碼器的思想非常類似，只是加入了以下幾種限制：

1. 如果限制中間隱層節點的數量，比如讓隱層節點數小於輸入節點數，就想到那個魚降維的過程。這樣就不可能出現簡單的複製所有節點的情況。此時，如果給中間隱層節點的權重加一個L1範數正則，則可以根據懲罰係數控制隱層節點的稀疏程度，懲罰係數越大，學習到的特徵就越稀疏。

2. 若果給數據加入雜訊，這就是去噪自編碼器。因為加入完全複製特徵就無法去除我們添加的雜訊，就無法完全復原數據，所以也不能完全複製節點。

TensorFlow實現DAE

定義一種參數初始化方法xavier initialization

定義一個DAE class，其中包括構建函數__init__(),參數初始化函數_initialize_weights，計算損失以及執行單步訓練的函數partial_fit等。

基於MNIST數據集進行測試

源碼：

import numpy as np

import sklearn.preprocessing as prep

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

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))

return tf.random_uniform((fan_in, fan_out),

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):

self.n_input = n_input

self.n_hidden = n_hidden

self.transfer = transfer_function

self.scale = tf.placeholder(tf.float32)

self.training_scale = scale

network_weights = self._initialize_weights()

self.weights = network_weights

# model

self.x = tf.placeholder(tf.float32, [None, self.n_input])

self.hidden = self.transfer(tf.add(tf.matmul(self.x + scale * tf.random_normal((n_input,)),

self.weights["w1"]),

self.weights["b1"]))

self.reconstruction = tf.add(tf.matmul(self.hidden, self.weights["w2"]), self.weights["b2"])

# cost

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):

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):

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):

return self.sess.run(self.cost, feed_dict = {self.x: X,

self.scale: self.training_scale

})

def transform(self, X):

return self.sess.run(self.hidden, feed_dict = {self.x: X,

self.scale: self.training_scale

})

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})

def reconstruct(self, X):

return self.sess.run(self.reconstruction, feed_dict = {self.x: X,

self.scale: self.training_scale

})

def getWeights(self):

return self.sess.run(self.weights["w1"])

def getBiases(self):

return self.sess.run(self.weights["b1"])

mnist = input_data.read_data_sets("MNIST_data", one_hot = True)

def standard_scale(X_train, X_test):

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):

start_index = np.random.randint(0, len(data) - batch_size)

return data[start_index:(start_index + batch_size)]

X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

n_samples = int(mnist.train.num_examples)

training_epochs = 20

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.

total_batch = int(n_samples / batch_size)

# Loop over all batches

for i in range(total_batch):

batch_xs = get_random_block_from_data(X_train, batch_size)

# Fit training using batch data

cost = autoencoder.partial_fit(batch_xs)

# Compute average loss

avg_cost += cost / n_samples * batch_size

# Display logs per epoch step

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)))

添加機器學習討論群獲取源碼文件

投稿、商業合作

請發郵件到：357062955@qq.com

喜歡，別忘關注~

幫助你在AI領域更好的發展，期待與你相遇！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！

本站內容充實豐富，博大精深，小編精選每日熱門資訊，隨時更新，點擊「搶先收到最新資訊」瀏覽吧！