keras自动编码器实现系列之卷积自动编码器

   图片的自动编码很容易就想到用卷积神经网络做为编码-解码器。在实际的操作中，
也经常使用卷积自动编码器去解决图像编码问题，而且非常有效。 下面通过**keras**完成简单的卷积自动编码。 编码器有堆叠的卷积层和池化层
(max pooling用于空间降采样)组成。 对应的解码器由卷积层和上采样层组成。

@requires_authorization
# -*- coding:utf-8 -*-from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D
from keras.models import Model
from keras import backend as K
import os## 网络结构 ##input_img = Input(shape=(28,28,1)) # Tensorflow后端， 注意要用channel_last
# 编码器部分
x = Conv2D(16, (3,3), activation='relu', padding='same')(input_img)
x = MaxPooling2D((2,2), padding='same')(x)
x = Conv2D(8,(3,3), activation='relu', padding='same')(x)
x = MaxPooling2D((2,2), padding='same')(x)
x = Conv2D(8, (3,3), activation='relu', padding='same')(x)
encoded = MaxPooling2D((2,2), padding='same')(x)# 解码器部分
x = Conv2D(8, (3,3), activation='relu', padding='same')(encoded)
x = UpSampling2D((2, 2))(x)
x = Conv2D(8, (3,3), activation='relu', padding='same')(x)
x = UpSampling2D((2, 2))(x)
x = Conv2D(16, (3, 3), activation='relu'， padding='same')(x)
x = UpSampling2D((2, 2))(x)
decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)autoencoder = Model(input_img, decoded)
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')# 得到编码层的输出
encoder_model = Model(inputs=autoencoder.input, outputs=autoencoder.get_layer('encoder_out').output)## 导入数据， 使用常用的手写识别数据集
def load_mnist(dataset_name):
'''
load the data
'''data_dir = os.path.join("./data", dataset_name)f = np.load(os.path.join(data_dir, 'mnist.npz'))train_data = f['train'].TtrX = train_data.reshape((-1, 28, 28, 1)).astype(np.float32)trY = f['train_labels'][-1].astype(np.float32)test_data = f['test'].TteX = test_data.reshape((-1, 28, 28, 1)).astype(np.float32)teY = f['test_labels'][-1].astype(np.float32)# one-hot # y_vec = np.zeros((len(y), 10), dtype=np.float32)# for i, label in enumerate(y):#     y_vec[i, y[i]] = 1# keras.utils里带的有one-hot的函数， 就直接用那个了return trX / 255., trY, teX/255., teY# 开始导入数据
x_train, _ , x_test, _= load_mnist('mnist')# 可视化训练结果， 我们打开终端， 使用tensorboard
# tensorboard --logdir=/tmp/autoencoder # 注意这里是打开一个终端， 在终端里运行# 训练模型， 并且在callbacks中使用tensorBoard实例， 写入训练日志 http://0.0.0.0:6006
from keras.callbacks import TensorBoard
autoencoder.fit(x_train, x_train,epochs=50,batch_size=128,shuffle=True,validation_data=(x_test, x_test),callbacks=[TensorBoard(log_dir='/tmp/autoencoder')])# 重建图片
import matplotlib.pyplot as plt
decoded_imgs = autoencoder.predict(x_test)
encoded_imgs = encoder_model.predict(x_test)
n = 10
plt.figure(figsize=(20, 4))
for i in range(n):k = i + 1# 画原始图片ax = plt.subplot(2, n, k)plt.imshow(x_test[k].reshape(28, 28))plt.gray()ax.get_xaxis().set_visible(False)# 画重建图片ax = plt.subplot(2, n, k + n)plt.imshow(decoded_imgs[i].reshape(28, 28))plt.gray()ax.get_xaxis().set_visible(False)ax.get_yaxis().set_visible(False)
plt.show()# 编码得到的特征
n = 10
plt.figure(figsize=(20, 8))
for i in range(n):k = i + 1ax = plt.subplot(1, n, k)plt.imshow(encoded[k].reshape(4, 4 * 8).T)plt.gray()ax.get_xaxis().set_visible(False)ax.get_yaxis().set_visible(False)
plt.show()

keras自动编码器实现系列之卷积自动编码器相关推荐

R语言使用keras包实现卷积自动编码器模型（Convolutional Autoencoder）、加载keras自带的mnist数据集、训练中动态生成每个epoch后模型训练的loss曲线
R语言使用keras包实现卷积自动编码器模型(Convolutional Autoencoder).加载keras自带的mnist数据集.训练中动态生成每个epoch后模型训练的loss曲线目录
吴恩达.深度学习系列-C4卷积神经网络-W2深度卷积模型案例
吴恩达.深度学习系列-C4卷积神经网络-W2深度卷积模型案例 (本笔记部分内容直接引用redstone的笔记http://redstonewill.com/1240/.原文整理的非常好,引入并添加我自 ...
神经网络学习小记录26——Keras 利用efficientnet系列模型搭建yolov3目标检测平台
神经网络学习小记录26--Keras 利用efficientnet系列模型搭建efficientnet-yolov3目标检测平台学习前言什么是EfficientNet模型源码下载 Efficie ...
【深度学习系列】卷积神经网络CNN原理详解(一)——基本原理(1)
上篇文章我们给出了用paddlepaddle来做手写数字识别的示例,并对网络结构进行到了调整,提高了识别的精度.有的同学表示不是很理解原理,为什么传统的机器学习算法,简单的神经网络(如多层感知机)都可 ...
采用keras深度学习框架搭建卷积神经网络模型实现垃圾分类，基于树莓派上进行实时视频流的垃圾识别源代码
一.项目概述简介:该垃圾分类项目主要在于对各种垃圾进行所属归类,本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类,最终移植在树莓派上进行实时视频流的垃圾识别. 前期:主要考虑PC端 ...
keras搬砖系列-残差网络的实现
keras搬砖系列-残差网络的实现 ResNet-50图 #coding=utf-8 from keras.models import Model from keras.layers import I ...
好像还挺好玩的GAN2——Keras搭建DCGAN利用深度卷积神经网络实现图片生成
好像还挺好玩的GAN2--Keras搭建DCGAN利用深度卷积神经网络实现图片生成注意事项学习前言什么是DCGAN 神经网络构建 1.Generator 2.Discriminator 训练思路 ...
基于 MNIST 数据集的 Pytorch 卷积自动编码器
自编码器自动编码器是一种无监督的深度学习算法,它学习输入数据的编码表示,然后重新构造与输出相同的输入.它由编码器和解码器两个网络组成.编码器将高维输入压缩成低维潜在代码(也称为潜在代码或编码空间) ...
cnn图像二分类 python_人工智能Keras图像分类器（CNN卷积神经网络的图片识别篇）...
上期文章我们分享了人工智能Keras图像分类器(CNN卷积神经网络的图片识别的训练模型),本期我们使用预训练模型对图片进行识别:Keras CNN卷积神经网络模型训练导入第三方库 from kera ...

keras自动编码器实现系列之卷积自动编码器

keras自动编码器实现系列之卷积自动编码器相关推荐

最新文章

热门文章