Tensorflow实现稀疏自动编码（SAE）

稀疏自动编码（SAE）"/>

Tensorflow实现稀疏自动编码（SAE）

1.概述

人在获取图像时，并不是像计算机逐个像素去读，一般是扫一眼物体，大致能得到需要的信息，如形状，颜色，特征。怎么让机器也有这项能力呢，稀疏编码来了。

定义：

稀疏自编码器（Sparse Autoencoder）可以自动从无标注数据中学习特征，可以给出比原始数据更好的特征描述。在实际运用时可以用稀疏编码器发现的特征取代原始数据，这样往往能带来更好的结果。

上图就是稀疏编码的一半流程，清晰的说明了稀疏编码的过程。

自编码器要求输出尽可能等于输入，并且它的隐藏层必须满足一定的稀疏性，即隐藏层不能携带太多信息。所以隐藏层对输入进行了压缩，并在输出层中解压缩。整个过程肯定会丢失信息，但训练能够使丢失的信息尽量少。通过引入惩罚机制和BP算法解决最小化信息丢失问题。

2.代码实现

#coding=utf-8
'''
Created on 2016年12月3日
@author: chunsoft
'''
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# 导入 MNIST 数据
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)# 参数
learning_rate = 0.01    #学习速率
training_epochs = 20    #训练批次
batch_size = 256        #随机选择训练数据大小
display_step = 1        #展示步骤
examples_to_show = 10   #显示示例图片数量 # 网络参数
#我这里采用了三层编码，实际针对mnist数据，隐层两层，分别为256，128效果最好
n_hidden_1 = 512  #第一隐层神经元数量
n_hidden_2 = 256  #第二
n_hidden_3 = 128  #第三
n_input = 784     #输入#tf Graph输入
X = tf.placeholder("float", [None,n_input])#权重初始化
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])),'decoder_h1': tf.Variable(tf.random_normal([n_hidden_3, n_hidden_2])),'decoder_h2': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1])),'decoder_h3': tf.Variable(tf.random_normal([n_hidden_1, n_input])),
}#偏置值初始化
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])),'decoder_b1': tf.Variable(tf.random_normal([n_hidden_2])),'decoder_b2': tf.Variable(tf.random_normal([n_hidden_1])),'decoder_b3': tf.Variable(tf.random_normal([n_input])),
}# 开始编码
def encoder(x): #sigmoid激活函数，layer = x*weights['encoder_h1']+biases['encoder_b1']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']))return layer_3# 开始解码
def decoder(x):#sigmoid激活函数,layer = x*weights['decoder_h1']+biases['decoder_b1']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']))return layer_3# 构造模型
encoder_op = encoder(X)
encoder_result = encoder_op
decoder_op = decoder(encoder_op)#预测
y_pred = decoder_op
#实际输入数据当作标签
y_true = X# 定义代价函数和优化器，最小化平方误差,这里可以根据实际修改误差模型
cost = tf.reduce_mean(tf.pow(y_true-y_pred, 2))
optimizer = tf.train.RMSPropOptimizer(learning_rate).minimize(cost)# 初始化变量
init = tf.initialize_all_variables();# 运行Graph
with tf.Session() as sess:sess.run(init)#总的batchtotal_batch = int(mnist.train.num_examples/batch_size)# 开始训练for epoch in range(training_epochs):for i in range(total_batch):batch_xs, batch_ys = mnist.train.next_batch(batch_size)_, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})# 展示每次训练结果if epoch % display_step == 0:print("Epoch:", '%04d' % (epoch+1),"cost=", "{:.9f}".format(c))   print("Optimization Finished!")# Applying encode and decode over test set#显示编码结果和解码后结果encodes = sess.run(encoder_result, feed_dict={X: mnist.test.images[:examples_to_show]})encode_decode = sess.run(y_pred, feed_dict={X: mnist.test.images[:examples_to_show]})# 对比原始图片重建图片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)))f.show()plt.draw()plt.waitforbuttonpress()