对matplotlib的解释

import matplotlib.pyplot as plt
import numpy as np

a = [[1,2]]
a = np.array(a)

c = a[:,0]#‘：'表示：不管a中有几组数据，打印所有组数据的下标为0的数据 c=1
b = a[:,1] #b=2

print(c,b)#[1] [2]

print(a.shape)#(1,2),表示一行两列

#画散点图
plt.scatter(c,b)#画一个点，点的坐标是（1,2）
plt.show()

keras 非监督Autoencoding学习非序列化Sequential

#分类
import numpy as np
from keras.datasets import mnist
from keras.models import Model
from keras.layers import Dense,Input
import matplotlib.pyplot as plt
from PIL import Image

#加载数据集 mnist
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()

#数据处理

#转浮点、归一化

#不需要处理标签
#因为是图和图之间相比
X_train = X_train.astype(‘float32’)/255.0 #set as type to
X_test = X_test.astype(‘float32’)/255.0

#reshape数据形状适用于dense层的input需要
X_train = X_train.reshape(X_train.shape[0],784)#X_train.shape[0]是训练集的记录数目
X_test = X_test.reshape(-1,784)#-1缺省表示测试集的所有记录数目，等价于X_test.shape[0]

#定义encoding的终极维度

#画散点图的时候使用维度为2
#encoding_dim = 2 #输出的时候需要用坐标来可视化

#打印编码层的输出时，2个维度不好打印成图片，所以该写成维度为4
encoding_dim = 4

#定义输入层Input可以接受的数据shape，类似tensorflow的 placeholder
input_img = Input(shape=(784,)) #此时的Input像一个‘层’

#定义编码层把数据从大维度降低到小维度如28*28 -》 784

#第一层编码
encoded = Dense(
units = 128, #第一层的输出维度为128
activation = ‘relu’
)(input_img)

#第二层编码
encoded = Dense(
units = 64,
activation=‘relu’
)(encoded) #此处的输入是来自于上一层的编码器encoded，下面的也类似

#第三层编码
encoded = Dense(
units = 32,
activation=‘relu’
)(encoded)

#第四层编码并输出给解码层

encoded_output = Dense(
units = encoding_dim,
)(encoded)

#第四层结束之后可以输出结果了，如果你想的话
#四层编码层的另一种呈现方式
#encoded = Dense(units = 128，activation = ‘relu’)(input_img)
#encoded = Dense(units = 64，activation = ‘relu’)(encoded)
#encoded = Dense(units = 32，activation = ‘relu’)(encoded)
#encoded_output = Dense(units = encoding_dim)(encoded)

#定义解码层

#第一层解码
decoded = Dense(units = 32,activation=‘relu’)(encoded_output)

#第二层编码
decoded = Dense(units= 64,activation=‘relu’)(decoded)

#第三层编码
decoded = Dense(units = 128,activation=‘relu’)(decoded)

#第四层编码
#还原到784
#改变了激活函数
#decoded=Dense(units = 784，activation=‘tanh’)(decoded)
decoded = Dense(units=784,activation=‘tanh’)(decoded)

#构建自动编码模型结构
#谁给model数据，model处理完给谁
autoencoder = Model(inputs=input_img,output=decoded)

#构建编码模型结构
encoder = Model(inputs=input_img,outputs=encoded_output)

#编译模型
autoencoder.compile(optimizer=‘adam’,loss=‘mse’) #均差方

#训练
#原图经过编码、解码后得到一个复原的图，这个复原图和原图来进行比对
autoencoder.fit(
x = X_train,
y = X_train,
epochs = 10,
batch_size = 512,
shuffle = True,#每个训练epoch完成后，数据会打乱
)

autoencoder.save(’/content/drive/My Drive/app/autoencoder_mnist.h5’)
#读取自己的图片
img_test5 = Image.open(’/content/drive/My Drive/app/my_image/test5.jpg’)
img_5 = Image.open(’/content/drive/My Drive/app/my_image/5.jpg’)

img_test5 = np.array(img_test5)
img_5 = np.array(img_5)

encoded_img_test5 = encoder.predict(img_test5.reshape(1,784))
encoded_img_5 = encoder.predict(img_3.reshape(1,784))
#打印编码层之后的结果，看看两个数字相同的图片在特征提取上是否相近
print(encoded_img_test5)

print(encoded_img_5)

encoded_imgs = encoder.predict(X_test)
#打印第一组数据
print(encoded_imgs[0])
plt.scatter(x=encoded_imgs[:,0],y=encoded_imgs[:,1],c=Y_test,s=2)#c主要用来控制颜色，可以是一个数值数组；s是设置精度的
plt.show()

#打印一个三个图对比情况

#全网络输出
decoded_img = autoencoder.predict(X_test[1].reshape(1,784)) #此处必须要reshape一下，告诉系统，这是一个（784，）的样本
#编码层输出
encoded_img = encoder.predict(X_test[1].reshape(1,784))

plt.figure(1)
plt.imshow(decoded_img[0].reshape(28,28))

plt.figure(2)
plt.imshow(X_test[1].reshape(28,28))

plt.figure(3)
#因为2个维度没法打印。所以将上文中的encoded_dim改为4，然后编码层的输出结构就可以被reshape为2*2
plt.imshow(encoded_img[0].reshape(2,2))

第四层编码层结束之后，如果想要输出的话会得到中间的比较模糊的那个图。

深度学习实战笔记三：编码器、解码器+mnist+kears相关推荐

转：tensorflow深度学习实战笔记（二）：把训练好的模型进行固化
原文地址:https://blog.csdn.net/chenyuping333/article/details/82106863 目录一.导出前向传播图二.对模型进行固化三.pb文件转tfli ...
深度学习之seq2seq、编码器解码器、注意力机制、Transformer
深度学习之seq2seq.编码器解码器(Encoder-Decoder).注意力机制(Attention).变换器(Transformer) 目录
Pytorch深度学习实战笔记
Tensorflow深度学习实战之(七)--MP神经元与BP神经网络模型
本文是在GPU版本的Tensorflow = 2.6.2 , 英伟达显卡驱动CUDA版本 =11.6,Python版本 = 3.6, 显卡为3060的环境下进行验证实验的!!! 文章目录一.M-P神 ...
Keras深度学习实战（36）——基于编码器-解码器的机器翻译模型
Keras深度学习实战(36)--基于编码器-解码器的机器翻译模型 0. 前言 1. 模型与数据集分析 1.1 数据集分析 1.2 模型分析 2. 基于编码器-解码器结构的机器翻译模型 2.1 基于编 ...
【卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人（9.5/10）】
卷积神经网络CNN 实战案例 GoogleNet 实现手写数字识别源码详解深度学习 Pytorch笔记 B站刘二大人 (9.5/10) 在上一章已经完成了卷积神经网络的结构分析,并通过各个模块理解 ...
《Web安全之深度学习实战》笔记：第十三章 DGA域名识别
本小节是讲解DGA域名的识别,在<web安全之机器学习入门>中,曾经通过多节来讲解DGA域名,相关笔记如下: <Web安全之机器学习入门>笔记:第七章 7.6朴素贝叶斯检测DG ...
深度学习入门教程UFLDL学习实验笔记三：主成分分析PCA与白化whitening
深度学习入门教程UFLDL学习实验笔记三:主成分分析PCA与白化whitening 主成分分析与白化是在做深度学习训练时最常见的两种预处理的方法,主成分分析是一种我们用的很多的降维的一种手段,通 ...
深度学习入门笔记系列（三）——感知器模型和 tensorboard 的使用方法
本系列将分为 8 篇 .今天是第三篇 .主要讲讲感知器模型和 tensorboard 的基本使用方法 . 1. 感知器模型因为小詹之前写过一篇感知器模型的介绍 ,这里就不赘述了 .有需要巩固的点击如 ...

深度学习实战笔记三：编码器、解码器+mnist+kears

对matplotlib的解释

keras 非监督Autoencoding学习非序列化Sequential

深度学习实战笔记三：编码器、解码器+mnist+kears相关推荐

最新文章

热门文章

深度学习实战笔记三：编码器、解码器+mnist+kears

对matplotlib的解释

keras 非监督Autoencoding学习 非序列化Sequential

深度学习实战笔记三：编码器、解码器+mnist+kears相关推荐

最新文章

热门文章

keras 非监督Autoencoding学习非序列化Sequential