keras_Autoencoder 自编码

自编码，简单来说就是把输入数据进行一个压缩和解压缩的过程。 原来有很多 Feature，压缩成几个来代表原来的数据，解压之后恢复成原来的维度，再和原数据进行比较。
它是一种非监督算法，只需要输入数据，解压缩之后的结果与原数据本身进行比较。
今天要做的事情是把 datasets.mnist 数据的 28×28＝784 维的数据，压缩成 2 维的数据，然后在一个二维空间中可视化出分类的效果。
用keras构建自编码器的步骤：
1.导入模块并创建数据
2.建立模型
3.激活模型
4.训练模型
5.可视化结果

---

Demo.py

import numpy as np
np.random.seed(1337)  # for reproducibility
from keras.datasets import mnist
from keras.models import Model
from keras.layers import Dense, Input
import matplotlib.pyplot as plt
from keras.optimizers import Adam
#创建数据
# download the mnist to the path '~/.keras/datasets/' if it is the first time to be called
# X shape (60,000 28x28), y shape (10,000, )
(x_train, _), (x_test, y_test) = mnist.load_data()

# data pre-processing
x_train = x_train.astype('float32') / 255. - 0.5       # minmax_normalized
x_test = x_test.astype('float32') / 255. - 0.5         # minmax_normalized
x_train = x_train.reshape((x_train.shape[0], -1))
x_test = x_test.reshape((x_test.shape[0], -1))
print(x_train.shape)
print(x_test.shape)

#建立模型
# in order to plot in a 2D figure
encoding_dim = 2   #encoding_dim，要压缩成的维度。

# this is our input placeholder
input_img = Input(shape=(784,))

# encoder layers
encoded = Dense(128, activation='relu')(input_img)
encoded = Dense(64, activation='relu')(encoded)
encoded = Dense(10, activation='relu')(encoded)
encoder_output = Dense(encoding_dim)(encoded)

# decoder layers
decoded = Dense(10, activation='relu')(encoder_output)
decoded = Dense(64, activation='relu')(decoded)
decoded = Dense(128, activation='relu')(decoded)
decoded = Dense(784, activation='tanh')(decoded)

#接下来直接用 Model 这个模块来组建模型，输入就是图片，输出是解压的最后的结果。
# construct the autoencoder model
autoencoder = Model(input=input_img, output=decoded)
#当我们想要看由 784 压缩到 2维后，这个结果是什么样的时候，也可以只单独组建压缩的板块，
#此时它的输入是图片，输出是压缩环节的最后结果。
# construct the encoder model for plotting
encoder = Model(input=input_img, output=encoder_output)

#激活模型
#接下来是编译自编码这个模型，优化器用的是 adam，损失函数用的是 mse。
# compile autoencoder
adam = Adam(lr = 1e-4)
autoencoder.compile(optimizer='adam', loss='mse')
#训练模型
# training
autoencoder.fit(x_train, x_train,
                nb_epoch=20,
                batch_size=256,
                shuffle=True)
#可视化结果
#最后看到可视化的结果，自编码模型可以把这几个数字给区分开来，
#我们可以用自编码这个过程来作为一个特征压缩的方法，
#和PCA的功能一样，效果要比它好一些，因为它是非线性的结构
# plotting
encoded_imgs = encoder.predict(x_test)
plt.scatter(encoded_imgs[:, 0], encoded_imgs[:, 1], c=y_test)
plt.colorbar()
plt.show()

---

结果：

....
Epoch 18/20
60000/60000 [==============================] - 6s - loss: 0.0411     
Epoch 19/20
60000/60000 [==============================] - 6s - loss: 0.0407     
Epoch 20/20
60000/60000 [==============================] - 6s - loss: 0.0405      

Paste_Image.png