TensorFlow实战（2）：自编码器的实现

自编码器原理

自编码器也是一种神经网络，输入和输出一致，可以使用自身的高阶特征编码自己，借助系数编码的思想，目标使用稀疏的一些高阶特征重新组合来重构自己。为了达到此目标，使用以下方法：
（1）限制中间隐含层的节点的数量，相当于一个降维的过程。
（2）给数据加入噪声（去噪自编码器），编码器将从噪声中学习数据的特征，则不可能完全复原原始数据。

代码详解

import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#参数初始化，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
#fan_in,fan_out分别为输入/出节点的个数
#让权重分布满足均值为0， 方差为2/(fan_in + fan_out)
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))
    #random_uniforim为（min，max）的均匀分布
    return tf.random_uniform((fan_in, fan_out), minval = low, maxval = high, dtype = tf.float32)

#定义一个自编码器的类
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 #输入变量数
        self.n_hidden = n_hidden #隐含层的节点数
        self.transfer = transfer_function #隐含层激活函数，默认为softplus
        self.scale = tf.placeholder(tf.float32) #高斯噪声系数
        self.training_scale = scale
        network_weights = self._initialize_weights() #初始化网络参数
        self.weights = network_weights

        self.x = tf.placeholder(tf.float32, [None, self.n_input]) #输入
        #隐含层的输出，先给输入x加上噪声，再用matmul将加上噪声后输入与w1相乘，并加上偏置，最后用transfer进行激活函数处理
        self.n_hidden = self.transfer(tf.add(tf.matmul(self.x + scale * tf.random_normal((n_input,)),
                                                       self.weights['w1']), self.weights['b1']))
        #将隐含层的输出乘w2，再加上b2
        self.reconstruction = tf.add(tf.matmul(self.n_hidden, self.weights['w2']), self.weights['b2'])
        #损失函数使用平方误差
        self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction, self.x), 2.0))
        self.optimizer = optimizer.minimize(self.cost) #定义优化器对损失值进行优化

        init = tf.global_variables_initializer() ##使用TensorFlow的全局参数初始化器
        self.sess = tf.Session()
        self.sess.run(init)

    #初始化参数
    def _initialize_weights(self):
        all_weights = dict() #存放参数的字典
        #w1参数使用xavier方式使用合适的初始化参数，其余直接初始化为0
        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
    #计算cost并执行一步训练
    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
    #计算cost
    def calc_total_cost(self, X):
        return self.sess.run(self.cost, feed_dict={self.x: X, self.scale : self.training_scale})
    '''
    #返回自编码器隐含层的输出结果
    def transform(self, X):
        return self.sess.run(self.hidden, feed_dict={self.x: X, self.scale : self.training_scale})
    #将隐含层提取到的高阶特征复原
    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.n_hidden: hidden})
    #整体运行一遍复原过程（提取高阶特征+复原数据）
    def reconstruct(self, X):
        return self.sess.run(self.reconstruction, feed_dict={self.x:X, self.scale:self.training_scale})
    #获得隐含层的权重w1
    def getWeights(self):
        return self.sess.run(self.weights['w1'])
    #获得隐含层偏置系数b1
    def getBiases(self):
        return self.sess.run(self.weights['b1'])
    '''

mnist = input_data.read_data_sets('MNIST_data', one_hot=True) #载入mnist数据

#对数据进行标准化处理，让数据变成均值为0，标准差为1的分布， 减去均值，再除以标准差
#直接调用sklearn中的类实现
def standard_scale(X_train, X_test):
    preprocessor = prep.StandardScaler().fit(X_train) #计算训练集的均值，标准差
    #用训练集的均值，标准差对训练集和测试集进行标准化处理，注意不可以使用测试集的相关数据进行标准化处理
    X_train = preprocessor.transform(X_train)
    X_test = preprocessor.transform(X_test)
    return X_train, X_test

#对训练集，测试集标准化处理
X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

#获取随机block数据的函数
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)]

n_samples = int(mnist.train.num_examples) #总训练的样本数
training_epochs = 20 #最大训练轮数
batch_size = 128 #每轮迭代次数
display_step = 1 #每个1次显示loss

#创建AGN自编码器的实例
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. #平均损失
    total_batch = int(n_samples / batch_size) #总共需要的batch数
    for i in range(total_batch):
        batch_xs = get_random_block_from_data(X_train, batch_size) #随机获取训练集中batch_size个的数据
        cost = autoencoder.partial_fit(batch_xs) #执行一步训练
        avg_cost += cost / n_samples * batch_size

    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)))

运行结果