Keras autoencoder簡單的例子有一個奇怪的輸出

我想運行一個簡單的自動編碼器，所有的訓練輸入是相同的。訓練數據特徵等於3，隱藏層有3個節點。我使用那個輸入來訓練自動編碼器，然後我試着再次預測它（編碼/解碼）（所以如果自動編碼器按原樣傳遞所有東西而不做任何改變，它應該可以工作）Keras autoencoder簡單的例子有一個奇怪的輸出

無論如何，情況並非如此，爲了理解原因，有點勉強。我不確定在我的代碼中，或者我對autoencdoer實現的理解中是否有問題。這裏是供參考的代碼。

P.S.我使用了epoches數量，訓練集中的示例數量，批量大小，訓練數據值在0-1之間，並記錄了損失值，但這也沒有幫助。

from keras.layers import Input, Dense 
from keras.models import Model 
import numpy as np 
# this is the size of our encoded representations 
encoding_dim = 3 

x_train=np.array([[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3]]) 
in= Input(shape=(3,)) 
encoded = Dense(encoding_dim, activation='relu')(in) 
decoded = Dense(3, activation='sigmoid')(encoded) 

# this model maps an input to its reconstruction 
autoencoder = Model(in, decoded) 
autoencoder.compile(optimizer='adadelta', loss='mse') 

autoencoder.fit(x_train, x_train, 
       epochs=100, 
       batch_size=4) 
autoencoder.predict(x_train)

我得到的輸出應該是一樣的輸入（或至少接近），但我得到這個代替）

`Out[180]: 
array([[ 0.80265796, 0.89038897, 0.9100889 ], 
     [ 0.80265796, 0.89038897, 0.9100889 ], 
     [ 0.80265796, 0.89038897, 0.9100889 ], 
     ..., 
     [ 0.80265796, 0.89038897, 0.9100889 ], 
     [ 0.80265796, 0.89038897, 0.9100889 ], 
     [ 0.80265796, 0.89038897, 0.9100889 ]], dtype=float32)`

任何幫助不勝感激，最有可能的是我明白了一些錯誤，所以希望這個問題不難回答。

來源

2017-06-17 nasser

錯誤在這裏decoded = Dense(3, activation='sigmoid')(encoded)。

你不應該使用sigmoid激活，因爲這將限制範圍內，輸出（0,1），更換sigmoid與linear或只是將其刪除，並可以添加多個時期，如訓練1000個時代。在這種背景下，我得到你所需要的

[[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876] 
[ 0.98220336 1.98066235 2.98398876]]

此外，你應該使用其他名稱代替輸入in，因爲它是在Python :-)一個keyword。

來源

2017-06-17 06:40:52 danche

適用以下@danche建議之後是更新的代碼和結果，我增加了epocs = 10000

from keras.layers import Input, Dense 
from keras.models import Model 
import numpy as np 
# this is the size of our encoded representations 
encoding_dim = 3 

x_train=np.array([[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3],[1,2,3]]) 
input = Input(shape=(3,)) 
encoded = Dense(encoding_dim, activation='relu')(input) 
decoded = Dense(3, activation='linear')(encoded) 

# this model maps an input to its reconstruction 
autoencoder = Model(input, decoded) 
autoencoder.compile(optimizer='adadelta', loss='mse') 

autoencoder.fit(x_train, x_train,epochs=10000,batch_size=4) 
print(autoencoder.predict(x_train)) 



Epoch 10000/10000 
8/8 [==============================] - 0s - loss: 2.4463e-04  
[[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278] 
[ 0.99124289 1.98534203 2.97887278]]

後得到的結果

來源

2017-08-25 01:08:09 Shakti

Keras autoencoder簡單的例子有一個奇怪的輸出

回答

相關問題