Keras实现autoencoder

Keras使我们搭建神经网络变得异常简单，之前我们使用了Sequential来搭建LSTM:keras实现LSTM。

我们要使用Keras的functional API搭建更加灵活的网络结构，比如说本文的autoencoder，关于autoencoder的介绍可以在这里找到：deep autoencoder。
Keras实现autoencoder

现在我们就开始。

step 0 导入需要的包

1 import keras
2 from keras.layers import Dense, Input
3 from keras.datasets import mnist
4 from keras.models import Model
5 import numpy as np

step 1 数据预处理

这里需要说明一下，导入的原始数据shape为(60000,28,28),autoencoder使用(60000,28*28)，而且autoencoder属于无监督学习，所以只需要导入x_train和x_test.

1 (x_train, _), (x_test, _) = mnist.load_data()
2 x_train = x_train.astype('float32')/255.0
3 x_test = x_test.astype('float32')/255.0
4 #print(x_train.shape)
5 x_train = x_train.reshape(x_train.shape[0], -1)
6 x_test = x_test.reshape(x_test.shape[0], -1)
7 #print(x_train.shape)

step 2 向图片添加噪声

添加噪声是为了让autoencoder更robust，不容易出现过拟合。

1 #add random noise
2 x_train_nosiy = x_train + 0.3 * np.random.normal(loc=0., scale=1., size=x_train.shape)
3 x_test_nosiy = x_test + 0.3 * np.random.normal(loc=0, scale=1, size=x_test.shape)
4 x_train_nosiy = np.clip(x_train_nosiy, 0., 1.)
5 x_test_nosiy = np.clip(x_test_nosiy, 0, 1.)
6 print(x_train_nosiy.shape, x_test_nosiy.shape)

step 3 搭建网络结构

分别构建encoded和decoded,然后将它们链接起来构成整个autoencoder。使用Model建模。

1 #build autoencoder model
2 input_img = Input(shape=(28*28,))
3 encoded = Dense(500, activation='relu')(input_img)
4 decoded = Dense(784, activation='sigmoid')(encoded)
5 
6 autoencoder = Model(input=input_img, output=decoded)

step 4 compile

因为这里是让解压后的图片和原图片做比较， loss使用的是binary_crossentropy。

1 autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
2 autoencoder.summary()

Keras实现autoencoder

step 5 train

指定epochs，batch_size，可以使用validation_data,keras训练的时候不会使用它，而是用来做模型评价。

autoencoder.fit(x_train_nosiy, x_train, epochs=20, batch_size=128, verbose=1, validation_data=(x_test, x_test))

step 6 对比一下解压缩后的图片和原图片

 1 %matplotlib inline
 2 import matplotlib.pyplot as plt
 3 
 4 #decoded test images
 5 decoded_img = autoencoder.predict(x_test_nosiy)
 6 
 7 n = 10
 8 plt.figure(figsize=(20, 4))
 9 for i in range(n):
10     #noisy data
11     ax = plt.subplot(3, n, i+1)
12     plt.imshow(x_test_nosiy[i].reshape(28, 28))
13     plt.gray()
14     ax.get_xaxis().set_visible(False)
15     ax.get_yaxis().set_visible(False)
16     #predict
17     ax = plt.subplot(3, n, i+1+n)
18     plt.imshow(decoded_img[i].reshape(28, 28))
19     plt.gray()
20     ax.get_yaxis().set_visible(False)
21     ax.get_xaxis().set_visible(False)
22     #original
23     ax = plt.subplot(3, n, i+1+2*n)
24     plt.imshow(x_test[i].reshape(28, 28))
25     plt.gray()
26     ax.get_yaxis().set_visible(False)
27     ax.get_xaxis().set_visible(False)
28 plt.show()