TensorFlowのセルフコーディングネットワーク実装(MNIST無監督学習)
8829 ワード
セルフコーディングネットワーク1、セルフコーディングネットワークの役割セルフコーディングネットワークの役割は、入力サンプルを非表示層に圧縮して解凍し、出力端でサンプルを再構築し、最終的に出力層ニューロンの数が入力層ニューロンの数に等しいことである.2、ここには主に2つのプロセスがあり、圧縮と解凍があります.3、圧縮原理圧縮は入力データ(画像、文字、音声)自体に異なる成都の冗長情報が存在し、自動符号化ネットワーク学習はこれらの冗長情報を取り除き、有用な特徴を隠蔽層に入力する.4、複数の隠蔽層の主な役割複数の隠蔽層の主な役割は、入力されたデータが画像であれば、第1層はエッジをどのように識別するかを学び、第2層はエッジをどのように結合するかを学び、輪郭、角などを構成し、より高い層はどのように結合するかを学ぶより意味のある特徴である.5、MINSTデータセットを例に、エンコーダの運用について説明します
最初のステップでデータをロードするには、必要なライブラリをインポートします.
第2部構築モデルは、学習率、訓練の輪数(すべてのデータが訓練されてから1ラウンドになる)、訓練ごとにデータがいくら、何ラウンドおきに訓練結果を表示するかを含む訓練のパラメータを設定する.
ウェイトを初期化し、ネットワーク構造を定義します.この自動符号化ネットワークには2つの非表示層があります.1つ目の非表示層ニューロンは256個、2つ目の非表示層ニューロンは128個で、ネットワークパラメータを定義します.
各レイヤを初期化するウェイトとバイアスは次のとおりです.
モデルの構築
損失関数とオプティマイザを構築します.ここでの損失関数は、元のデータセットと出力されたデータセットを「最小二乗法」で二乗差して平均演算します.オプティマイザはRMSPropOptimizerを使用します.
第3部訓練データ及び評価モデル
コールバックで図を起動し、トレーニングと評価を開始します.
最初のステップでデータをロードするには、必要なライブラリをインポートします.
from __future__ import division, print_function, absolute_import
import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
# Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data", one_hot=False)
第2部構築モデルは、学習率、訓練の輪数(すべてのデータが訓練されてから1ラウンドになる)、訓練ごとにデータがいくら、何ラウンドおきに訓練結果を表示するかを含む訓練のパラメータを設定する.
# Parameters
learning_rate = 0.01
training_epochs = 5
batch_size = 256
display_step = 1
examples_to_show = 10
ウェイトを初期化し、ネットワーク構造を定義します.この自動符号化ネットワークには2つの非表示層があります.1つ目の非表示層ニューロンは256個、2つ目の非表示層ニューロンは128個で、ネットワークパラメータを定義します.
# Network Parameters
n_input = 784 # MNIST data input (img shape: 28*28)
# tf Graph input (only pictures)
X = tf.placeholder("float", [None, n_input])
# hidden layer settings
n_hidden_1 = 256 # 1st layer num features
n_hidden_2 = 128 # 2nd layer num features
各レイヤを初期化するウェイトとバイアスは次のとおりです.
# Building the encoder
def encoder(x):
# Encoder Hidden layer with sigmoid activation #1
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']),
biases['encoder_b1']))
# Decoder Hidden layer with sigmoid activation #2
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']),
biases['encoder_b2']))
return layer_2
# Building the decoder
def decoder(x):
# Encoder Hidden layer with sigmoid activation #1
layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']),
biases['decoder_b1']))
# Decoder Hidden layer with sigmoid activation #2
layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']),
biases['decoder_b2']))
return layer_2
モデルの構築
# Construct model
encoder_op = encoder(X)
decoder_op = decoder(encoder_op)
損失関数とオプティマイザを構築します.ここでの損失関数は、元のデータセットと出力されたデータセットを「最小二乗法」で二乗差して平均演算します.オプティマイザはRMSPropOptimizerを使用します.
# Prediction
y_pred = decoder_op
# Targets (Labels) are the input data.
y_true = X
# Define loss and optimizer, minimize the squared error
cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)
第3部訓練データ及び評価モデル
コールバックで図を起動し、トレーニングと評価を開始します.
# Launch the graph
with tf.Session() as sess:
# tf.initialize_all_variables() no long valid from
# 2017-03-02 if using tensorflow >= 0.12
if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:
init = tf.initialize_all_variables()
else:
init = tf.global_variables_initializer()
sess.run(init)
total_batch = int(mnist.train.num_examples/batch_size)
# Training cycle
for epoch in range(training_epochs):
# Loop over all batches
for i in range(total_batch):
batch_xs, batch_ys = mnist.train.next_batch(batch_size) # max(x) = 1, min(x) = 0
# Run optimization op (backprop) and cost op (to get loss value)
_, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})
# Display logs per epoch step
if epoch % display_step == 0:
print("Epoch:", '%04d' % (epoch+1),
"cost=", "{:.9f}".format(c))
print("Optimization Finished!")
# # Applying encode and decode over test set
encode_decode = sess.run(
y_pred, feed_dict={X: mnist.test.images[:examples_to_show]})
# Compare original images with their reconstructions
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)))
plt.show()
# encoder_result = sess.run(encoder_op, feed_dict={X: mnist.test.images})
# plt.scatter(encoder_result[:, 0], encoder_result[:, 1], c=mnist.test.labels)
# plt.colorbar()
# plt.show()