1 自编码器原理
自编码器（AutoEncoder）即可以使用自身的高阶特征编码自己。自编码器其实是一种神经网络，它的输入和输出是一致的，它借助稀疏编码的思想，目标是使用稀疏的一些高阶特征重新组合来重构自己。
因此，它的特征比较明显：1.期望输入输出一致；2.希望使用高阶特征来重构自己。
当给数据加入噪声时，那就是Denoising AutoEncoder（去噪自编码器），我们将从噪声中学习出数据的特征。去燥编码器最常用的噪声就是加性高斯噪声（Additive Gaussian Noise, AGN），也可以使用Masking noise，即有随机遮挡的噪声。
2 代码实现
注意：在给W1进行初始化时，采用的是xavier initialization的初始化方法，其特点是会根据某一层网络的输入、输出节点数量自动调整最合适的分布。如果深度学习模型的权重初始化得太小，那信号将在每层间传递时逐渐缩小而难以产生作用，但如果权重初始化得太大，那信号将在每层间传递时逐渐放大并导致发散和失效。而Xavier初始化器做的事情就是让权重被初始化得正好合适。该初始化用函数 xavier_init(fan_in,fan_out,constant=1)实现。
代码实现包含4步：载入数据-》参数设置-》训练-》输出检测误差。
#__author__ = 'Administrator'
#AGN自编码器
import numpy as np
import sklearn.preprocessing as pre
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
import random
def xavier_init(fan_in,fan_out,constant=1):
'''
实现Xaiver初始化器
:param fan_in: 输入节点数量
:param fan_out: 输出节点数量
:param constant: 常量
:return:fan_in行fan_out列的初始化参数
'''
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 AdditiveGaussianNoiseAutoenencoder(object):
'''
函数功能：构建函数
Input: n_input--输入变量数
n_hidden--隐含层节点数
transfer_function--隐含层激活函数，默认为softplus
optimizer--优化器，默认为Adam
scale--高斯噪声系数，默认为0.1
'''
def __init__(self,n_input,n_hidden,transfer_function=tf.nn.softplus,
optimizer=tf.train.AdamOptimizer(),scale=0.1):
#初始化类内参数
self.n_input=n_input
self.n_hidden=n_hidden
self.transfer=transfer_function
self.optimizer=optimizer
self.scale=tf.placeholder(tf.float32)
self.trainning_scale=scale
networks_weights=self.__initialize_weights__()
self.weights=networks_weights
self.x=tf.placeholder(tf.float32,[None,self.n_input])
self.hidden=self.transfer(tf.add(tf.matmul(self.x+self.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'])
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):
'''
参数初始化函数
:return:所有初始化的参数
'''
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):
'''
执行一步训练
:param X: 输入样本
:return:一步训练的损失函数
'''
cost, opt=self.sess.run((self.cost,self.optimizer),
feed_dict={self.x:X,self.scale:self.trainning_scale})
return cost
def calc_total_cost(self,X):
'''
只计算cost量，在测试时会用到
:param X: 输入样本
:return:损失函数
'''
return self.sess.run(self.cost,feed_dict={self.x:X,self.scale:self.trainning_scale})
def transform(self,X):
'''
输出学到的高阶特征
:param X: 输入样本
:return:W1
'''
return self.sess.run(self.hidden,feed_dict={self.x:X,self.scale:self.trainning_scale})
def generate(self,hidden=None):
'''
和transform将整个自编码器拆分成两部分
:param hidden: 提取到的高阶特征
:return:重建后的结果
'''
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):
'''
返回重建结果
:param X: 输入样本
:return:重建的输入样本
'''
return self.sess.run(self.reconstruction,feed_dict={self.x:X,self.scale:self.trainning_scale})
def getWeights(self):
'''
获取隐含层的权重W1
:return:
'''
return self.sess.run(self.weights['w1'])
def getBias(self):
'''
获取隐含层的贬值系数b1
:return:
'''
return self.sess.run(self.weights['b1'])
def standard_scale(X_train,X_test):
'''
标准化训练、测试数据
:param X_train: 训练数据
:param X_test: 测试数据
:return:标准化后的训练、测试数据
'''
preprocessor=pre.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):
'''
获取随机block数据
:param data: 输入数据
:param batch_size: 输出block的size
:return:data中的一个随机块
'''
start_index=random.randint(0,len(data)-batch_size)
return data[start_index:(start_index+batch_size)]
#Step 1:获取数据
Mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
X_train, X_test=standard_scale(Mnist.train.images,Mnist.test.images)
#Step 2:参数设置
n_samples=int(Mnist.train.num_examples)#训练样本数
trainning_epoches=20 #最大训练轮数为20
batch_size=128 #block大小
display_step=1 #每1轮显示一次损失
#Step 3:创建一个AGNAE实例
antoencoder=AdditiveGaussianNoiseAutoenencoder(n_input=784,n_hidden=200,transfer_function=tf.nn.softplus,
optimizer=tf.train.AdamOptimizer(learning_rate=0.001),
scale=0.1)
#Step 4:训练
for epoch in range(trainning_epoches):
avg_cost=0.
total_batch=int(n_samples/batch_size)
for i in range(total_batch):
batch_xs=get_random_block_from_data(X_train,batch_size)#获取训练样本
cost=antoencoder.partial_fit(batch_xs)
avg_cost+=cost/n_samples*batch_size
if epoch%display_step==0:
print("Epoch:",'%04d'%(epoch+1),"cost=","{:.9f}".format(avg_cost))
#Step 5: 检测误差
print("Total_test:"+str(antoencoder.calc_total_cost(X_test)))代码运行结果：
Epoch: 0001 cost= 18650.284456818
Epoch: 0002 cost= 12630.999268182
Epoch: 0003 cost= 10485.710794318
Epoch: 0004 cost= 10707.715422727
Epoch: 0005 cost= 10043.228388068
Epoch: 0006 cost= 10306.512345455
Epoch: 0007 cost= 9110.141159091
Epoch: 0008 cost= 8862.424358523
Epoch: 0009 cost= 9093.140026136
Epoch: 0010 cost= 8423.467127841
Epoch: 0011 cost= 8311.227650000
Epoch: 0012 cost= 8544.473260227
Epoch: 0013 cost= 8011.591522727
Epoch: 0014 cost= 8255.224732955
Epoch: 0015 cost= 8158.267313636
Epoch: 0016 cost= 8378.106032386
Epoch: 0017 cost= 8344.232843182
Epoch: 0018 cost= 8045.843802273
Epoch: 0019 cost= 8365.110832955
Epoch: 0020 cost= 7751.792575568
Total_test:713613.0
