tensorflow 自编码器 MNIST数据集

写在前头
这段时间在学习利用tensorflow编写自编码器代码，在B站上看到了一个教学视频，觉得很有用，但很遗憾视频的画质和声音都有点渣，UP主也没有提供源代码，我在网上搜了下，也没找到，因此自己根据视频把代码整理了出来，给自己做个备份，也给大家提供参考。
视频链接：视频链接
视频的大神是在已经写好的神经网络代码上进行改写的，我在网上有发现这个神经网络的代码，也一并附在这里：神经网络代码
如果教学视频的原作者已经在某处发表了代码，或者有人发现了原作者的代码，还请告诉我一声，为保护原作者的权益，我会删掉这篇文章的~
另外，在完整把代码扒下来之后，运行发现有一两个问题，不能完整运行，因此对里面一些小地方（例如路径等）进行了修改，还对一些代码进行了解释，已经可以直接运行。

tensorflow 自编码网络

import tensorflow as tf
import os
from PIL import Image
import numpy as np
import cv2
from matplotlib import pyplot as plt
from tensorflow.examples.tutorials.mnist import input_data#重置图，这句是另外加的
tf.reset_default_graph()#文件路径名和视频中不一样，按实际的路径即可
mnist=input_data.read_data_sets("./MNIST_data/",one_hot=True)
x=tf.placeholder(tf.float32,[None,784])batch_size=1000def add_layer(input_data,input_num,output_num,activation_function=None):w=tf.Variable(initial_value=tf.random_normal(shape=[input_num,output_num]))b=tf.Variable(initial_value=tf.random_normal(shape=[1,output_num]))output=tf.add(tf.matmul(input_data,w),b)if activation_function:output=activation_function(output)return outputdef build_nn(data):#编码，两个隐含层，隐含层的节点数可以自己调节hidden_layer1=add_layer(data,784,200,activation_function=tf.nn.sigmoid)hidden_layer2=add_layer(hidden_layer1,200,100,activation_function=tf.nn.sigmoid)#解码，节点数和上面的相对应。利用sigmoid函数将数据转换到0~1的范围里hidden_layer3=add_layer(hidden_layer2,100,200,activation_function=tf.nn.sigmoid)output_layer=add_layer(hidden_layer3,200,784,activation_function=tf.nn.sigmoid)return output_layerdef train_nn(data):output=build_nn(data)#损失函数loss=tf.reduce_mean(tf.square(output-data))optimizer=tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss)#保存模型saver=tf.train.Saver()with tf.Session() as sess:sess.run(tf.global_variables_initializer())#因为我们想要第一遍运行的时候，能保存我们的参数模型，#然后第二遍的时候，能直接加载参数模型对测试数据进行训练，因此需要对是否有保存好的参数模型进行判断#判断方法：因为保存模型会生成checkpoint文件，因此可以作为判断依据if not os.path.exists("./SDAE_model_save/checkpoint"):for i in range(30):epoch_cost=0for _ in range(int(mnist.train.num_examples/batch_size)):x_data,y_data=mnist.train.next_batch(batch_size)cost,_=sess.run([loss,optimizer],feed_dict={x:x_data})epoch_cost+=costprint("Epoch",i,":",epoch_cost)saver.save(sess,"./SDAE_model_save/model")else:saver.restore(sess,"./SDAE_model_save/model")#最开始原作者是想要第二遍的时候预测自己的手写数字图片1.jpg的，就可以用下面这句代码。#predict("./1.jpg",sess,output)#但是因为后来预测的效果不好，所以换了mnist测试集里的图片result=sess.run(output,feed_dict={x:mnist.test.next_batch(1)[0]})result=np.reshape(result,(28,28)plt.imshow(result*255)plt.show()def read_data(path):image=cv2.imread(path,cv2.IMREAD_GRAYSCALE)processed_image=cv2.resize(image,(28,28))processed_image=np.resize(processed_image,(1,784))processed_image=processed_image/255.0return image,processed_imagedef predict(image_path,sess,output):imgae,processed_image=read_data(image_path)result=sess.run(output,feed_dict={x:processed_image})result=np.reshape(result,(28,28))#因为想要更清晰地展示图片，所以用plt替换了cv2，又因为Plt不能直接显示0~1的数据，因此需要扩展为255的plt.imshow(result*255)plt.show()cv2.imshow("image",result)cv2.waitKey(0)cv2.destroyAllWindows()def reconstract_image():for i in range(10):if not os.path.exists("./{}",format(i)):os.makedirs("./{}",format(i))batch_size=1for j in range(int(mnist.train.num_examples/batch_size)):x_data,y_data=mnist.train.next_batch(batch_size)img=Image.fromarray(np.reshape(np.array(x_data[0]*255,dtype="unit8"),(28,28)))dir=np.argmax(y_data[0])img.save("./{}/{}.bmp",format(dir,j))if __name__=="__main__":train_nn(x)

结果展示：

我只运行了5步，效果肯定不是很好，只是测试能不能正常用，想要更好的结果，可以调高步数

tensorflow 自编码器 MNIST数据集相关推荐

基于tensorflow+RNN的MNIST数据集手写数字分类
2018年9月25日笔记 tensorflow是谷歌google的深度学习框架,tensor中文叫做张量,flow叫做流. RNN是recurrent neural network的简称,中文叫做循环 ...
Tensorflow初探之MNIST数据集学习
官方文档传送门 MNIST数据集是手写数字0~9的数据集,一般被用作机器学习领域的测试,相当于HelloWorld级别. 本程序先从网上导入数据,再利用最小梯度法进行训练使得样本交叉熵最小,最后给出训 ...
北京大学曹健——Tensorflow笔记 05 MNIST数据集输出手写数字识别准确率
# 前向传播:描述了网络结构 minist_forward.py # 反向传播:描述了模型参数的优化方法 mnist_backward.py # 测试输出准确率minist_tes ...
tensorflow（七）实现mnist数据集上图片的训练和测试
本文使用tensorflow实现在mnist数据集上的图片训练和测试过程,使用了简单的两层神经网络,代码中涉及到的内容,均以备注的形式标出. 关于文中的数据集,大家如果没有下载下来,可以到我的网盘去下 ...
主成分分析降维（MNIST数据集）
北京 | 高性能计算之GPU CUDA课程11月24-26日3天密集学习快速带你晋级阅读全文> 刘凯欣,中国矿业大学在校学生,曾参加过ThoughtWorks举办的结对编程活动. 今天看了用主 ...
使用MNIST数据集，在TensorFlow上实现基础LSTM网络
使用MNIST数据集,在TensorFlow上实现基础LSTM网络 By 路雪2017年9月29日 13:39 本文介绍了如何在 TensorFlow 上实现基础 LSTM 网络的详细过程.作者选用了 ...
autoencoder自编码器原理以及在mnist数据集上的实现
Autoencoder是常见的一种非监督学习的神经网络.它实际由一组相对应的神经网络组成(可以是普通的全连接层,或者是卷积层,亦或者是LSTMRNN等等,取决于项目目的),其目的是将输入数据降维成一个 ...
MNIST数据集实现手写数字识别（基于tensorflow）
------------先看看别人的博客--------------------- Tensorflow 实现 MNIST 手写数字识别用这个的代码跑通了使用Tensorflow和 ...
Tensorflow mnist 数据集测试代码 + 自己下载数据
https://blog.csdn.net/weixin_39673686/article/details/81068582 import tensorflow as tf from tensorfl ...

tensorflow 自编码器 MNIST数据集

tensorflow 自编码网络

结果展示：

tensorflow 自编码器 MNIST数据集相关推荐

最新文章

热门文章