基于TensorFlow实现自编码器（附源码）

关键字全网搜索最新排名

【机器学习算法】：排名第一

【机器学习】：排名第二

【Python】：排名第三

【算法】：排名第四

AE简介

传统的机器学习很大程度上依赖于好的特征工程，而特征工程是一项十分耗费精力与时间的事情，最主要的是在语音、图像和视频中提取有效地特征就更难了。而深度学习，包括有监督的深度学习和无监督的深度学习，可以完美的解决人工难以有效提取特征的问题，他可以大大缓解机器学习模型对特征工程的依赖性

例如在图像识别问题中，我们有大量的图片，这其中不仅包括汽车的图片还包括其他类别的图片，那么我们如何识别出图片中的内容是汽车而不是其他呢？最简单的一种想法就是从像素级特征训练一个分类器模型，那么绝大多数算法将很难有效地工作。其实，我们可以提取出高阶的特征，比如汽车的车轮、车窗、车身等，然后基于这些特征进行分类；同时，汽车的车轮车窗、车身等每一个组件都是有更小的单位特征组合而成的。现在，我们将上述的过程逆过来，将一张图片从像素特征就开始慢慢的抽象，从像素组成点、线，再将点、线组合成小的部件，然后基于这些小的部件组成车窗、车轮等高阶特征，上述过程就是在深度学习里训练过程所进行的特征提取。

针对于有标签的数据集我们可以直接训练一个深层的神经网络；如果没有标注的数据呢？这种情况下我们可以采用无监督的自动编码器来实现。自动编码器（AutoEncoder），顾名思义，既可以使用自身的高阶特征编码自己。自编码器也是一种神经网络，不过他的输入输出是一致的，借稀疏编码的思想，使用一些高级的特征重新组合来重构自己。因此，实现自动编码器的关键在于是的输入与输出尽量一直，其次通过高阶特征重构自己而不是进行简单的像素点的复制。

2006年，Hinton教授提出了基于深度新年网络（deep belief networks,DBN）可以使用无监督的逐层pre-training的贪心算法与fine-tune相结合的算法，为训练深度神经网络提供了一个可行的方案：我们可能河南直接训练很深的网络，但是我们可以使用无监督的逐层训练提取特征，将网络的权重初始化到一个比较好的位置，辅助后面的监督训练。这个思想与自动编码器的思想非常类似，只是加入了以下几种限制：

1. 如果限制中间隐层节点的数量，比如让隐层节点数小于输入节点数，就想到那个鱼降维的过程。这样就不可能出现简单的复制所有节点的情况。此时，如果给中间隐层节点的权重加一个L1范数正则，则可以根据惩罚系数控制隐层节点的稀疏程度，惩罚系数越大，学习到的特征就越稀疏。

2. 若果给数据加入噪声，这就是去噪自编码器。因为加入完全复制特征就无法去除我们添加的噪声，就无法完全复原数据，所以也不能完全复制节点。

TensorFlow实现DAE

定义一种参数初始化方法xavier initialization

定义一个DAE class，其中包括构建函数__init__(),参数初始化函数_initialize_weights，计算损失以及执行单步训练的函数partial_fit等。

基于MNIST数据集进行测试

源码：

import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
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
        self.n_hidden = n_hidden
        self.transfer = transfer_function
        self.scale = tf.placeholder(tf.float32)
        self.training_scale = scale
        network_weights = self._initialize_weights()
        self.weights = network_weights
        # model
        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']))
        self.reconstruction = tf.add(tf.matmul(self.hidden, self.weights['w2']), self.weights['b2'])
        # cost
        self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction, self.x), 2.0))
        self.optimizer = optimizer.minimize(self.cost)
        init = tf.global_variables_initializer()
        self.sess = tf.Session()
        self.sess.run(init)
    def _initialize_weights(self):
        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
    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
    def calc_total_cost(self, X):
        return self.sess.run(self.cost, feed_dict = {self.x: X,
                                                     self.scale: self.training_scale
                                                     })
    def transform(self, X):
        return self.sess.run(self.hidden, feed_dict = {self.x: X,
                                                       self.scale: self.training_scale
                                                       })
    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})
    def reconstruct(self, X):
        return self.sess.run(self.reconstruction, feed_dict = {self.x: X,
                                                               self.scale: self.training_scale
                                                               })
    def getWeights(self):
        return self.sess.run(self.weights['w1'])
    def getBiases(self):
        return self.sess.run(self.weights['b1'])
mnist = input_data.read_data_sets('MNIST_data', one_hot = True)
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
def get_random_block_from_data(data, batch_size):
    start_index = np.random.randint(0, len(data) - batch_size)
    return data[start_index:(start_index + batch_size)]
X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)
n_samples = int(mnist.train.num_examples)
training_epochs = 20
batch_size = 128
display_step = 1
autoencoder = AdditiveGaussianNoiseAutoencoder(n_input = 784,
                                               n_hidden = 200,
                                               transfer_function = tf.nn.softplus,
                                               optimizer = tf.train.AdamOptimizer(learning_rate = 0.001),
                                               scale = 0.01)
for epoch in range(training_epochs):
    avg_cost = 0.
    total_batch = int(n_samples / batch_size)
    # Loop over all batches
    for i in range(total_batch):
        batch_xs = get_random_block_from_data(X_train, batch_size)
        # Fit training using batch data
        cost = autoencoder.partial_fit(batch_xs)
        # Compute average loss
        avg_cost += cost / n_samples * batch_size
    # Display logs per epoch step
    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)))