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!
![](https://pic.pimg.tw/zzuyanan/1488615166-1259157397.png)
![](https://pic.pimg.tw/zzuyanan/1482887990-2595557020.jpg)
※Vue + ElementUI 後台管理網站基本框架之創建項目(附源碼)
※白話生成對抗網路 GAN,50 行代碼玩轉 GAN 模型!附源碼
※學界 | 雙重注意力網路:中科院自動化所提出新的自然場景圖像分割框架(附源碼)