0

下面的代碼導入MNIST數據集並訓練堆疊降噪自動編碼器,以破壞,編碼然後解碼數據。基本上我想用它作爲非線性尺寸縮減技術。如何訪問模型編碼的較低維特徵,以便將這些特徵放入聚類模型中?理想情況下,我會期望較低的維度特徵是循環或直線(顯然這實際上並非如此)。如何使用python和tensorflow從降噪堆疊自動編碼器中提取低維特徵向量

import numpy as np 
import os 
import sys 
import tensorflow as tf 


from tensorflow.examples.tutorials.mnist import input_data 
mnist = input_data.read_data_sets("/tmp/data/") 


def plot_image(image, shape=[28, 28]): 
    plt.imshow(image.reshape(shape), cmap="Greys", interpolation="nearest") 
    plt.axis("off") 

def reset_graph(seed=42): 
    tf.reset_default_graph() 
    tf.set_random_seed(seed) 
    np.random.seed(seed) 


def show_reconstructed_digits(X, outputs, model_path = None, n_test_digits = 2): 
    with tf.Session() as sess: 
     if model_path: 
      saver.restore(sess, model_path) 
     X_test = mnist.test.images[:n_test_digits] 
     outputs_val = outputs.eval(feed_dict={X: X_test}) 

    fig = plt.figure(figsize=(8, 3 * n_test_digits)) 
    for digit_index in range(n_test_digits): 
     plt.subplot(n_test_digits, 2, digit_index * 2 + 1) 
     plot_image(X_test[digit_index]) 
     plt.subplot(n_test_digits, 2, digit_index * 2 + 2) 
     plot_image(outputs_val[digit_index]) 


reset_graph() 

n_inputs = 28 * 28 
n_hidden1 = 300 
n_hidden2 = 150 # codings 
n_hidden3 = n_hidden1 
n_outputs = n_inputs 

learning_rate = 0.01 

noise_level = 1.0 

X = tf.placeholder(tf.float32, shape=[None, n_inputs]) 
X_noisy = X + noise_level * tf.random_normal(tf.shape(X)) 

hidden1 = tf.layers.dense(X_noisy, n_hidden1, activation=tf.nn.relu, 
          name="hidden1") 
hidden2 = tf.layers.dense(hidden1, n_hidden2, activation=tf.nn.relu, # not shown in the book 
          name="hidden2")       # not shown 
hidden3 = tf.layers.dense(hidden2, n_hidden3, activation=tf.nn.relu, # not shown 
          name="hidden3")       # not shown 
outputs = tf.layers.dense(hidden3, n_outputs, name="outputs")  # not shown 

reconstruction_loss = tf.reduce_mean(tf.square(outputs - X)) # MSE 

optimizer = tf.train.AdamOptimizer(learning_rate) 
training_op = optimizer.minimize(reconstruction_loss) 

init = tf.global_variables_initializer() 
saver = tf.train.Saver() 

n_epochs = 10 
batch_size = 150 

with tf.Session() as sess: 
    init.run() 
    for epoch in range(n_epochs): 
     n_batches = mnist.train.num_examples // batch_size 
     for iteration in range(n_batches): 
      print("\r{}%".format(100 * iteration // n_batches), end="") 
      sys.stdout.flush() 
      X_batch, y_batch = mnist.train.next_batch(batch_size) 
      sess.run(training_op, feed_dict={X: X_batch}) 
     loss_train = reconstruction_loss.eval(feed_dict={X: X_batch}) 
     print("\r{}".format(epoch), "Train MSE:", loss_train) 
     saver.save(sess, "./my_model_stacked_denoising_gaussian.ckpt") 


show_reconstructed_digits(X, outputs, "./my_model_stacked_denoising_gaussian.ckpt") 
+0

Whta你的意思是循環或直線? –

+0

例如,8的較低維度特徵是兩個循環,或者9是循環和直線 –

回答

0

自動編碼器,編碼部分的每一層,學習判別特徵,然後在重建階段(在解碼部分)它嘗試使用這些特徵來塑造輸出。 但是,使用自動編碼器在本地提取較低維度的特徵時,如果使用Convolutional Autoencoders(CAE),效率會更高。

直觀問題的答案可以使用特徵映射其以CAE的解碼部分作爲低維提取的特徵產生的。我的意思是,在您的數據集上訓練一個N層 CAE,然後忽略輸出層,並使用卷積層的輸出進行聚類。

enter image description here

只是爲了更清楚起見,每一個5×5 特徵的映射(S_2)以上的圖像中可以被認爲是一個特徵。 您可以快速演示和實施CAE here

最後,最好在Data Science社區提出這樣的問題。