TensorFlow的自编码网络实现（MNIST无监督学习）

自编码网络
1、自编码网络的作用
自编码网络的作用就是将输入样本压缩到隐藏层，然后解压，在输出端重建样本，最终输出层神经元数量等于输入层神经元的数量。
2、这里主要有两个过程，压缩和解压。
3、压缩原理
压缩依靠的是输入数据（图像、文字、声音）本身存在不同成都的冗余信息，自动编码网络学习去掉这些冗余信息，把有用的特征输入到隐藏层中。
4、多个隐藏层的主要作用
多个隐藏层的主要作用是，如果输入的数据是图像，第一层会学习如何识别边，第二层会学习如何组合边，从而构成轮廓、角等，更高层学习如何去组合更有意义的特征。
5、下面我们还以MINST数据集为例，讲解一下自编码器的运用

第一步 加载数据
先导入必要的库

from __future__ import division, print_function, absolute_importimport tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# Import MNIST datafrom tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data", one_hot=False)

第二部 构建模型
设置训练的参数，包括学习率、训练的轮数（全部数据训练完一遍成为一轮）、每次训练的而数据多少、每隔多少轮显示一次训练结果：

# Parameterslearning_rate = 0.01training_epochs = 5batch_size = 256display_step = 1examples_to_show = 10

初始化权重与定义网络结构，我们设计这个自动编码网络还有两个隐藏层，第一个隐藏层神经元为256个，第二个隐藏层神经元为128个，定义网络参数如下：

# Network Parametersn_input = 784  # MNIST data input (img shape: 28*28)# tf Graph input (only pictures)X = tf.placeholder("float", [None, n_input])# hidden layer settingsn_hidden_1 = 256 # 1st layer num featuresn_hidden_2 = 128 # 2nd layer num features

初始化每一层的权重和偏置如下：

# Building the encoderdef 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 decoderdef 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

构建模型

# Construct modelencoder_op = encoder(X)decoder_op = decoder(encoder_op)

构建损失函数和优化器，这里的损失函数用“最小二乘法”对原始数据集和输出的数据集进行平方差并取均值运算，优化器采用RMSPropOptimizer

# Predictiony_pred = decoder_op# Targets (Labels) are the input data.y_true = X# Define loss and optimizer, minimize the squared errorcost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

第三部 训练数据及评估模型

在回话中启动图，开始训练和评估：

# Launch the graphwith 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()