Keras搭建自编码器操作

下面是有关“Keras搭建自编码器操作”的完整攻略，其中包括两个示例说明。

自编码器简介

自编码器，是一种简单的神经网络，可以将数据压缩成低维度的表示，同时可以保持原始数据的重构能力。自编码器的核心思想是通过将数据从输入层（encoder）传递到隐层进行压缩，然后再将数据从隐层（decoder）传递到输出层进行解压缩重构。自编码器广泛用于数据降维、特征提取等领域。

搭建自编码器

搭建自编码器需要以下准备：

• 数据集
• Keras包

示例一：搭建基于MNIST数据集的自编码器

准备工作：

import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras import layers

# 加载数据集
(x_train, _), (x_test, _) = keras.datasets.mnist.load_data()

# 将像素点缩放到0-1之间
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

# 将数据转换为2D
x_train = np.reshape(x_train, (len(x_train), 784))
x_test = np.reshape(x_test, (len(x_test), 784))

搭建自编码器：

input_img = keras.Input(shape=(784,))
encoded = layers.Dense(128, activation="relu")(input_img)
encoded = layers.Dense(64, activation="relu")(encoded)
encoded = layers.Dense(32, activation="relu")(encoded)

decoded = layers.Dense(64, activation="relu")(encoded)
decoded = layers.Dense(128, activation="relu")(decoded)
decoded = layers.Dense(784, activation="sigmoid")(decoded)

model = keras.Model(input_img, decoded)

训练自编码器：

model.compile(optimizer="adam", loss="binary_crossentropy")
model.fit(
    x_train, x_train, 
    epochs=5, 
    batch_size=256, 
    shuffle=True, 
    validation_data=(x_test, x_test)
)

评估自编码器：

encoded_imgs = model.predict(x_test)

n = 10  # 显示10张数字图片
plt.figure(figsize=(20, 4))

for i in range(n):
    # 原始图片
    ax = plt.subplot(2, n, i + 1)
    plt.imshow(x_test[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

    # 重构图片
    ax = plt.subplot(2, n, i + n + 1)
    plt.imshow(encoded_imgs[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

plt.show()

示例二：搭建基于Fashion MNIST数据集的自编码器

准备工作：

import numpy as np
import matplotlib.pyplot as plt
from tensorflow import keras
from tensorflow.keras import layers

# 加载数据集
(x_train, _), (x_test, _) = keras.datasets.fashion_mnist.load_data()

# 将像素点缩放到0-1之间
x_train = x_train.astype("float32") / 255.0
x_test = x_test.astype("float32") / 255.0

# 将数据转换为2D
x_train = np.reshape(x_train, (len(x_train), 784))
x_test = np.reshape(x_test, (len(x_test), 784))

搭建自编码器：

input_img = keras.Input(shape=(784,))
encoded = layers.Dense(128, activation="relu")(input_img)
encoded = layers.Dense(64, activation="relu")(encoded)
encoded = layers.Dense(32, activation="relu")(encoded)

decoded = layers.Dense(64, activation="relu")(encoded)
decoded = layers.Dense(128, activation="relu")(decoded)
decoded = layers.Dense(784, activation="sigmoid")(decoded)

model = keras.Model(input_img, decoded)

训练自编码器：

model.compile(optimizer="adam", loss="binary_crossentropy")
model.fit(
    x_train, x_train, 
    epochs=5, 
    batch_size=256, 
    shuffle=True, 
    validation_data=(x_test, x_test)
)

评估自编码器：

encoded_imgs = model.predict(x_test)

n = 10  # 显示10张时尚图片
plt.figure(figsize=(20, 4))

for i in range(n):
    # 原始图片
    ax = plt.subplot(2, n, i + 1)
    plt.imshow(x_test[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

    # 重构图片
    ax = plt.subplot(2, n, i + n + 1)
    plt.imshow(encoded_imgs[i].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

plt.show()

以上就是关于“Keras搭建自编码器操作”的完整攻略。