将自己的数据导入SAE神经网络（替换样例中mnist数据集的方法）

如何将自己需要处理的数据导入神经网络

前些日子看了一下稀疏编码器，然后在网上找了一份稀疏编码器的源码。源码是以经典的mnist数据集为例，而我则为如何把自己想编码的数据导入网络而伤透了脑筋。
之后看到一篇博主的博客。发现Python还可以接受.mat格式的文件。凑巧刚刚学了MATLAB，所以较为轻松的解决了数据导入的问题，现将方法记录于此。

1.建立.mat文件（博主用的MATLAB2016a）

首先将文本文档中的数据导入然后将数据赋值给一个变量：
f=importdata('12726.txt'); %将你的数据从电子文件（表格也可以）加载到matlab中 x=f.data([1:784],2);%将f中data的第二列数据输入给x
右击工作空间中的x变量可以选择另存为，我将它命名为X1。之后将.mat文件复制到与程序所在的文件夹，然后利用下段代码就可以将.mat文件中的数据导入到神经网络中。X1文件如下：

2.将.mat文件中的数据导入神经网络

利用下面的代码可以将准备好的mat文件导入到网络中

load_fn = 'X1.mat' #X1.mat为需要导入的文件名
load_data = sio.loadmat(load_fn) #利用loadmat方法将.mat中的数据导入到变量中
mnist = load_data['x'] #读取mat文件中属性x中的数据

由于博主懒得一一改下面的mnist变量名，索性直接将数据赋给了mnist

3.源码

源码如下：（注释掉的部分为以mnist数据集为例的代码）

# coding=utf-8
'''
Created on 2019年10月24日
@author: Alan
'''
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import scipy.io as sio
# 导入 MNIST 数据
#from tensorflow.examples.tutorials.mnist import input_data

#mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)
load_fn = 'X1.mat'
load_data = sio.loadmat(load_fn)
mnist = load_data['A'] #读取相应属性的数据


# 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) #调用encoder函数以X作为输入值，将返回值传递给encoder_op
encoder_result = encoder_op
decoder_op = decoder(encoder_op) #调用decoder函数以encoder的返回值作为输入值，将返回值传递给decoder_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batch
    #total_batch = int(mnist.train.num_examples / batch_size)
    total_batch = 3
    # 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)
            batch_xs = mnist
            _, 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})
    encode_decode = sess.run(
        y_pred, feed_dict={X: mnist})
    np.set_printoptions(suppress=True) #不以科学计数法输出
    print('编码结果为：',encodes)
    print('解码结果为：',encode_decode)
    # #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()

4.运行结果

打印的loss：
经编码后的数据：
以及经重新编码后的数据：