Fashion MNIST自编码器网络实战

import tensorflow as  tf
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as keras
from tensorflow.keras import datasets,layers,optimizers,losses,Sequentialbatchsz=128
lr=0.01
h_dim=20
#加载Fashion MNIST图片数据集
(x_train,y_train),(x_test,y_test)=datasets.fashion_mnist.load_data()
#归一化
x_train,x_test=x_train.astype(np.float32)/255.,x_test.astype(np.float32)/255.
#只需要通过图片数据即可构建数据集对象，不需要标签
train_db=tf.data.Dataset.from_tensor_slices(x_train)
test_db=tf.data.Dataset.from_tensor_slices(x_test)
#构建测试集对象
train_db=train_db.shuffle(batchsz*5).batch(batchsz)
test_db=test_db.shuffle(batchsz*5).batch(batchsz)class AE(tf.keras.Model):def __init__(self):super(AE,self).__init__()#创建Enconder网络，实现在自编码器类的初始化函数中self.encoder=Sequential([layers.Dense(256,activation='relu'),layers.Dense(128,activation='relu'),layers.Dense(h_dim)])#创建Deconder网络self.decoder=Sequential([layers.Dense(128,activation='relu'),layers.Dense(256,activation='relu'),layers.Dense(784)])def call(self,inputs,training=None):#前向传播函数#编码获得隐藏向量h,[b,784]->[b,20]h=self.encoder(inputs)#解码获得重建图片,[b,20]->[b,784]x_hat=self.decoder(h)return x_hat
#创建网络对象
model=AE()
#指定输入大小
model.build(input_shape=(4,784))
#打印网络信息
model.summary()
#创建优化器，并放置学习率
optimizer=optimizers.Adam(learning_rate=lr)loss=[]
for epoch in range(10):for step,x in enumerate(train_db):x=tf.reshape(x,[-1,784])with tf.GradientTape() as tape:#梯度记录器#前向计算获得重建的图片x_rec_logits=model(x)#计算重建图片与输入之间的损失函数rec_loss=tf.nn.sigmoid_cross_entropy_with_logits(labels=x,logits=x_rec_logits)rec_loss=tf.reduce_mean(rec_loss)#自动求导，包含两个子网络的梯度grades=tape.gradient(rec_loss,model.trainable_variables)#自动更新，同时更新两个子网络optimizer.apply_gradients(zip(grades,model.trainable_variables))if step%100==0:loss.append(float(rec_loss))print("epoch:{},step:{},rec_loss:{}".format(epoch ,step,rec_loss))
#画出训练误差图像
plt.figure()
x=[i*5 for i in range(len(loss))]
plt.plot(x,loss,color='C1',marker='s',label='训练')
plt.xlabel('step')
plt.ylabel('loss')
plt.legend()
plt.show()

Fashion MNIST自编码器网络实战相关推荐

深度学习之自编码器（2）Fashion MNIST图片重建实战
深度学习之自编码器(2)Fashion MNIST图片重建实战 1. Fashion MNIST数据集 2. 编码器 3. 解码器 4. 自编码器 5. 网络训练 6. 图片重建完整代码自编码器 ...
tensorflow卷积神经网络实战：Fashion Mnist 图像分类与人马分类
卷积神经网络实战:Fashion Mnist 图像分类与人马分类一.FashionMnist的卷积神经网络模型 1.卷积VS全连接 2.卷积网络结构 3.卷积模型结构 1)Output Shape ...
Pytorch初学实战(一)：基于的CNN的Fashion MNIST图像分类
1.引言 1.1.什么是Pytorch PyTorch是一个开源的Python机器学习库. 1.2.什么是CNN 卷积神经网络(Convolutional Neural Networks)是一种深度学 ...
Fashion MNIST图片重建实战(AE)
Fashion MNIST 是一个定位在比 MNIST 图片识别问题稍复杂的数据集,它的设定与MNIST 几乎完全一样,包含了 10 类不同类型的衣服.鞋子.包等灰度图片,图片大小为28 × 28,共 ...
TensorFlow中的Fashion MNIST图像识别实战
1.导入相应的库: 关于Fashion MNIST数据集的介绍:看这位博主: https://blog.csdn.net/qq_28869927/article/details/85079808 im ...
fashionmnist数据集_Keras实现Fashion MNIST数据集分类
本篇用keras构建人工神经网路(ANN)和卷积神经网络(CNN)实现Fashion MNIST 数据集单个物品分类,并从模型预测的准确性方面对ANN和CNN进行简单比较. Fashion MNIST ...
【人工智能项目】Fashion Mnist识别实验
[人工智能项目]Fashion Mnist识别实验本次主要通过四个方法对fashion mnist进行识别实验,主要为词袋模型.hog特征.mlp多层感知器和cnn卷积神经网络.那么话不多说,走起来 ...
Fashion MNIST数据集的处理——“...-idx3-ubyte”文件解析
Fashion MNIST MNIST数据集可能是计算机视觉所接触的第一个图片数据集.而 Fashion MNIST 是在遵循 MNIST 的格式和大小的基础上,提升了一定的难度,在比较算法的性能时可 ...
【深度学习】李宏毅2021/2022春深度学习课程笔记 - Auto Encoder 自编码器 + PyTorch实战
文章目录一.Basic Idea of Auto Encoder 1.1 Auto Encoder 结构 1.2 Auto Encoder 降维 1.3 Why Auto Encoder 1.4 D ...

Fashion MNIST自编码器网络实战

Fashion MNIST自编码器网络实战相关推荐

最新文章

热门文章