# -*- coding: utf-8 -*-
"""
import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
import input_data
#用xavier initialization初始化参数
def xavier_init(fan_in,fan_out,constant=1):
low=-constant*np.sqrt(6.0/(fan_in+fan_out))#区间下界
high=constant*np.sqrt(6.0/(fan_in+fan_out))#区间上界
return tf.random_uniform((fan_in,fan_out),minval=low,maxval=high,dtype=tf.float32)#创建了上述区间内的均匀分布
#定义去噪自编码的class
class AdditiveGaussioanNoiseAutoencoder(object):
#定义构建函数__init__
def __init__(self,n_input,#输入变量数
n_hidden,#隐含层节点数
transfer_function=tf.nn.softplus,#隐含层激活函数：softplus
optimizer=tf.train.AdamOptimizer(),#优化器：Adam
scale=0.1#高斯噪声系数
):
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
#定义网络结构
self.x=tf.placeholder(tf.float32,[None,self.n_input])#为输入x创建一个维度为n_input的placeholder
#建立一个能提取特征的隐含层
self.hidden=self.transfer(tf.add(tf.matmul(
self.x+scale*tf.random_normal((n_input,)),#将输入x加上噪声
self.weights['w1']),self.weights['b1']))#用tf.matmul将加了噪声的输入与隐含层的权重w1相乘，并使用tf.add加上隐含层的偏置b1，最后用self.transfer对结果进行激活函数处理
#获得输出
self.reconstruction=tf.add(tf.matmul(self.hidden,self.weights['w2']),self.weights['b2'])#在输出层进行数据复原、重建操作，这里不需要激活函数
#定义自编码器的损失函数
self.cost=0.5*tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction,self.x),2.0))#使用平方误差（squard error）作为cost，使用tf.subtract计算输出（self.reconstruction）与输入（self.x）之差，再用tf.pow求差的平方，最后使用tf.reduce_sum求和，得到平方误差
#定义训练操作为优化器self.optimizer对损失self.cost进行优化
self.optimizer=optimizer.minimize(self.cost)
#创建session，初始化自编码器的全部模型
init=tf.global_variables_initializer()
self.sess=tf.Session()
self.sess.run(init)
#定义参数初始化函数_initialize_weights
def _initialize_weights(self):
all_weights=dict()#创建名为all_weights的字典dict
#将w1、b1、w2、b2全部存入其中
all_weights['w1']=tf.Variable(xavier_init(self.n_input,self.n_hidden))#w1要用前面定义的初始化参数函数xavier初始化，传入输入节点数和隐含层节点数，然后xavier即可返回一个比较适合于softplus等激活函数的权重初始分布
all_weights['b1']=tf.Variable(tf.zeros([self.n_hidden],dtype=tf.float32))#b1只要使用tf.zeros全部置为0即可
#对于输出层self.reconstruction，因为没有使用激活函数，这里将w2、b2全部初始化为0即可
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
#定义计算损失cost及执行一步训练的函数partial_fit，用一个batch数据进行训练并返回当前的损失cost
def partial_fit(self,X):
#函数只需让Session计算两个计算图的节点，分别是损失cost和训练过程optimizer
cost,opt=self.sess.run((self.cost,self.optimizer),
feed_dict={self.x:X,self.scale:self.training_scale})#输入的feed_dict包括输入数据X和噪声的系数scale
return cost
#定义只求损失cost的函数calc_total_cost，只让Session执行一个计算图节点self.cost，传入的参数和前面的partial_fit一致
def calc_total_cost(self,X):
return self.sess.run(self.cost,feed_dict={self.x:X,self.scale:self.training_scale})#在测试集上对模型性能进行评测时用到
#定义transform函数，返回自编码器隐含层的输出结果，目的是提供一个借口获取抽象后的特征
def transform(self,X):
return self.sess.run(self.hidden,feed_dict={self.x:X,self.scale:self.training_scale})
#定义generate函数，将隐含层的输出结果作为输入，通过之后的重建层将提取到的高阶特征复原为原始数据。这个接口和前面的transform正好将整个自编码器拆分为两部分，这里的generate是后半部分，将高阶特征复原为原始数据
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})
#定义reconstruct函数，整体运行一遍复原过程，包括提取高阶特征和通过高阶特征复原数据，即包括transform和generate两块。输入数据是原数据，输出数据是复员后的数据
def reconstruct(self,X):
return self.sess.run(self.reconstruct,feed_dict={self.x:X,self.scale:self.training_scale})
#定义getWeights函数，获取隐含层的权重w1
def getWeights(self):
return self.sess.run(self.weights['w1'])
#定义getBiases函数，获取隐含层的偏置系数b1
def getBiases(self):
return self.sess.run(self.weights['b1'])
#至此，去噪自编码器的class就全部定义完了，包括神经网络的设计、权重的初始化，以及几个常用的成员函数（transform、generate等，他们属于计算图中的子图）
#接下来使用定义好的AGN自编码器在MNIST数据集上进行一些简单的性能测试，看模型对数据的复原效果如何
#使用TensorFlow提供的读取示例数据的函数载入MNIST数据集
mnist=input_data.read_data_sets('MNIST_data',one_hot=True)
#定义standaed_scale函数，对训练集、测试数据进行标准化处理
def standard_scale(X_train,X_test):
preprocessor=prep.StandardScaler().fit(X_train)#直接使用sklearn,preprossing的StandardScale这个类，先在训练集上fit，再将这个公用的Scale用到训练数据和测试数据上
#必须保证训练、测试数据都用完全相同的Scale，这样才能保证后面模型处理数据时的一致性
X_train=preprocessor.transform(X_train)
X_test=preprocessor.transform(X_test)
return X_train,X_test
#定义一个获取随机block数据的函数：取一个从0到len(data)-batch_size之间的随机整数，再以这个随机数作为block的起始位置，然后顺序取到一个batch_size的数据，这属于不放回抽样，可以提高数据的利用效率
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)]
#使用之前定义的standard_scale函数对训练集、测试集进行标准化变换
X_train,X_test=standard_scale(mnist.train.images,mnist.test.images)
#定义几个常用参数
n_samples=int(mnist.train.num_examples)#总训练样本数
training_epochs=20#最大训练轮数
batch_size=128
display_step=1#每隔一轮(epoch)就显示一次损失
#创建一个AGN自编码器的实例
autoencoder=AdditiveGaussioanNoiseAutoencoder(n_input=784,#输入节点数为784
n_hidden=200,#隐含层节点数为200
transfer_function=tf.nn.softplus,#隐含层的激活函数为softplus
optimizer=tf.train.AdamOptimizer(learning_rate=0.001),#优化器为Adam且学习速率为0.001
scale=0.01)#噪声的系数设为0.01
#下面开始训练过程
for epoch in range(training_epochs):
avg_cost=0#在每一轮循环开始时，将平均损失ave_cost设为0
total_batch=int(n_samples/batch_size)#计算总共需要的batch数：通过样本总数除以batch大小
batch_xs=get_random_block_from_data(X_train,batch_size)
#使用成员函数partial_fit训练这个batch的数据并计算当前的cost
cost=autoencoder.partial_fit(batch_xs)
avg_cost+=cost/n_samples*batch_size#将当前的cost整合到avg_cost中
#每一轮迭代后，显示当前的迭代数和这一轮迭代的平均cost
if epoch%display_step==0:
print("Epoch:",'%04d'%(epoch+1),"cost=","{:.9f}".format(avg_cost))
#对训练完成的模型进行性能测试，使用成员函数cal_total_cost对测试集X_test进行测试，评价指标依然是平方误差
print("Total cost:"+str(autoencoder.calc_total_cost(X_test)))
参考：《TensorFlow实战》
