TensorFlow學習02-AutoEncoder和MLP

自編碼器和多層感知機

整個神經網絡的流程:

定義算法公式,也就是神經網絡的forward時的計算

定義loss,選定優化器,并指定優化器優化loss

迭代地對數據進行訓練

在測試集或驗證集上對準確率進行評測

1.1 自編碼簡介

稀疏編碼(Sparse Coding)發現圖像碎片可以由64種正交的邊組合而成,音頻也有基本結構線性組合。

原本通過標注的數據,我們可以訓練一個深層的神經網絡,現在對于沒有標注的數據,我們可以用無監督的自編碼器來提取特征。自編碼器(AutoEncoder)可以使用自身高階特征編碼自己。

自編碼器也是一種神經網絡,它有兩個明顯特征:1.期望輸入/輸出一致;2.希望使用高階特征來重構自己,而不是復制像素點。

無監督的逐層訓練:1。如果限制中間隱含層的數量,這樣就只能學習數據中最重要的特征然后復原。如果給中間的隱藏層加一個L1的正則,嘖可以根據懲罰系數來調整學到特征組合的稀疏程度。

2。如果給數據加入噪聲,就變成了去噪自編碼器(Denoising AutoEncoder),完全復制是不能去除噪聲的,只有學習數據頻繁出現的模式和結構,將無律的噪聲略去,才能復原數據。

去噪自編碼器最常使用的是加性高斯噪聲(Additive Gaussian Noise,AGN),也可使用有隨機遮擋的噪聲(Masking Noise)。

如果自編碼器的隱含層只有一層,那么原理類似主成分分析(PCA)。DBN模型有多個隱含層,每個隱含層都是限制性玻爾茲曼機(Restricted Boltzman Machine,RBM)。

1.2 實現自編碼器

Variation AutoEncoder(VAE),Stochastic Gradient Variational Bayes(SGVB)

代碼:

mnistAutoEncoder.py

import numpy as np

import sklearn.preprocessing as prep

# 數據預處理的模塊,還有使用數據標準化的功能

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 使用的是一種參數初始化方法xavier initialization。Xavier初始化器

def xavier_init(fan_in, fan_out, constant = 1):

low = -constant * np.sqrt(6.0 / (fan_in + fan_out))

high = -constant * np.sqrt(6.0 / (fan_in + fan_out))

return tf.random_uniform((fan_in, fan_out),

minval=low, maxval=high,

dtype=tf.float32)

class? AdditiveGaussianNoiseAutoencoder(object):

def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,

optimizer=tf.train.AdamOptimizer(), scale=0.1):

self.n_input = n_input? ? ? ? ? ? ? ? ? # 輸入變量數

self.n_hidden = n_hidden? ? ? ? ? ? ? ? # 隱含層節點數

self.transfer = transfer_function? ? ? ? # 隱含層的激活函數

self.scale = tf.placeholder(tf.float32)? # 優化器,默認為Adam

self.training_scale = scale? ? ? ? ? ? ? # 高斯噪聲技術

network_weights = self._initialize_weights()

self.weights = network_weights

# 定義網絡結構,建立n_input維度的placeholder然后建立隱含層,將輸入的x加上噪聲

# 之后x*w1+b1,用transfer對結果進行激活函數處理

self.x = tf.placeholder(tf.float32, [None, self.n_input])

self.hidden = self.transfer(tf.add(tf.matmul(

self.x + scale * tf.random_normal((n_input,)),

self.weights['w1']),self.weights['b1']))

# 在輸出層進行數據復原、重建操作(即reconstruction),只要輸出self.hidden*w2+b2

self.reconstruction = tf.add(tf.matmul(self.hidden,

self.weights['w2']),self.weights['b2'])

# 定義自編碼的損失函數

# 計算平方誤差和優化損失cost

self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(

self.reconstruction, self.x), 2.0))

self.optimizer = optimizer.minimize(self.cost)

# 初始化模型

init = tf.global_variables_initializer()

self.sess = tf.Session()

self.sess.run(init)

# 創建初始化函數

def _initialize_weights(self):

# 把w1,b1,w2,b2存入all_weights,w1要用到xavier初始化,后三個變量使用tf.zeros置0

all_weights = dict()

all_weights['w1'] = tf.Variable(xavier_init(self.n_input,

self.n_hidden))

all_weights['b1'] = tf.Variable(tf.zeros([self.n_hidden],

dtype=tf.float32))

all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden,

self.n_input], dtype=tf.float32))

all_weights['b2'] = tf.Variable(tf.zeros([self.n_input],

dtype=tf.float32))

return all_weights

# 計算損失cost以及執行一步訓練的函數partial_fit

# feed_dict輸入了數據x和噪聲系數sacle

def partial_fit(self, X):

cost, opt = self.sess.run((self.cost, self.optimizer),

feed_dict={self.x: X, self.scale:self.training_scale})

return cost

# 只求損失cost的函數,評測性能會用到

def calc_total_cost(self, X):

return self.sess.run(self.cost, feed_dict={self.x: X,

self.scale: self.training_scale})

# 提供一個接口獲取抽象后的特征

def transform(self, X):

return self.sess.run(self.hidden, feed_dict={self.x: X,

self.scale: self.training_scale

})

# 將高階特征復原為原始數據

def generate(self, hidden = None):

if hidden is None:

hidden = np.random.normal(size=self.weights["b1"])

return self.sess.run(self.reconstruction,

feed_dict={self.hidden: hidden})

# 整體運行一遍復原過程,包括提取高階特征和通過高階特征復原數據

def reconstruct(self, X):

return self.sess.run(self.reconstruction, feed_dict={self.x: X,

self.scale: self.training_scale

})

# 獲取隱含層權重w1

def getWeights(self):

return self.sess.run(self.weights['w1'])

# 獲取隱含層偏置系數b1

def getBiases(self):

return self.sess.run(self.weights['b1'])

# 使用定義好的AGN自編碼

mnist = input_data.read_data_sets('MNIST-data', one_hot=True)

# 標準化處理函數,把數據變為均值0,標準差1的分布

def standard_scale(X_train, X_test):

preprocessor = prep.StandardScaler().fit(X_train)

X_train = preprocessor.transform(X_train)

X_test = preprocessor.transform(X_test)

return X_train, X_test

# 定義一個隨機block數據的函數:取一個0~(len(data) - batch_size)之間的隨機整數

def get_random_block_from_data(data, batch_size_1):

start_index = np.random.randint(0, len(data) - batch_size_1)

return data[start_index:(start_index + batch_size_1)]

X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

n_samples = int(mnist.train.num_examples)

training_epochs = 40

batch_size = 128

display_step = 1

# 創建一個AGN實例

autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,

n_hidden=200,

transfer_function=tf.nn.softplus,

optimizer=tf.train.AdamOptimizer(learning_rate=0.001),

scale=0.01)

# 開始訓練過程

for epoch in range(training_epochs):

avg_cost = 0.

total_batch = int(n_samples/batch_size)

for i in range(total_batch):

batch_xs = get_random_block_from_data(X_train, batch_size)

cost = autoencoder.partial_fit(batch_xs)

avg_cost += cost/n_samples*batch_size

if epoch % display_step == 0:

print("Epoch:",'%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost))

print("Total cost: " + str(autoencoder.calc_total_cost(X_test)))

2.1 多層感知器神經網絡(Multi-layer perceptron neural networks,MLP neural netwoks)又稱全連接神經網絡(Fully Connected Network,FCN)

最終,在測試集上可以達到98%的準確率,僅僅是增加一個隱含層就實現了。其中也使用了一些Trick進行輔助,如Dropout、Adagrad、ReLU等,但是起決定作用的還是隱含層本身,它能對特征進行抽象和轉化。

相比于Sotfmax Regression只能從圖像的像素點推斷哪個是數字,MLP可以依靠神經層組合出高階特征,比如說橫線,豎線和圓圈等。

mnistMLP.py

# 多層感知器神經網絡(Multi-layer perceptron neural networks,MLP neural netwoks)

# 創建一個Tensorflow默認的InteractiveSession,這樣后面執行無須指定Session

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

mnist = input_data.read_data_sets("MNIST-data", one_hot=True)

sess = tf.InteractiveSession()

# ### step1:定義算法公式 ####

in_units = 784? # 輸入節點數

h1_units = 300? # 隱含層的輸出節點數

# W1和b1是隱含層的權重和偏置,將偏置全部賦值為0,設置為截斷的正態分布,標準差stddev為0.1

# 可以通過tf.truncated_normal實現

W1 = tf.Variable(tf.truncated_normal([in_units, h1_units], stddev=0.1))

b1 = tf.Variable(tf.zeros([h1_units]))

# 因為模型使用的是ReLU幾乎函數,所以需要用正態分布加一點噪聲打破完全對稱,和避免0梯度

# 其他模型可能還需要給偏置賦上一點小的零值來避免dead neuron,輸出層Softmax,W2和b2初始化為0

W2 = tf.Variable(tf.zeros([h1_units, 10]))

b2 = tf.Variable(tf.zeros([10]))

# x的輸入Dropout的比率keep_prob是不一樣的,通常在訓練時小于1,在預測時等于1,

x = tf.placeholder(tf.float32, [None, in_units])

keep_prob = tf.placeholder(tf.float32)

# 首先一個ReLU的隱含層,調用Dropout。keep_prob為保留數據的比例

# 預測時應該等于1,用全部特征來預測樣本的類別

hidden1 = tf.nn.relu(tf.matmul(x, W1) + b1)

hidden1_drop = tf.nn.dropout(hidden1, keep_prob)

y = tf.nn.softmax(tf.matmul(hidden1_drop, W2) + b2)

# ### step2:定義loss,選定優化器 ####

# 交叉信息熵,AdagradOptimizer 和 學習率0.3

y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),

reduction_indices=[1]))

train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)

# ### step3:訓練 ####

# 輸入數據集,設置keep_prob為0.75

tf.global_variables_initializer().run()

for i in range(10000):

batch_xs, batch_ys = mnist.train.next_batch(100)

train_step.run({x: batch_xs, y_: batch_ys, keep_prob: 0.75})

if i % 1000 == 0:

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(i, accuracy.eval({x: batch_xs, y_: batch_ys, keep_prob: 1.0}))

# ### step4:在測試集或驗證集上對準確率進行評測 ####

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels,

keep_prob: 1.0}))

最后編輯于
?著作權歸作者所有,轉載或內容合作請聯系作者
平臺聲明:文章內容(如有圖片或視頻亦包括在內)由作者上傳并發布,文章內容僅代表作者本人觀點,簡書系信息發布平臺,僅提供信息存儲服務。

推薦閱讀更多精彩內容