TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类

输出结果　　

代码设计

输出结果　　

代码设计

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt#Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist=input_data.read_data_sets("/niu/mnist_data/",one_hot=False)# Parameter
learning_rate = 0.001
training_epochs = 20
batch_size = 256
display_step = 1
examples_to_show = 10# Network Parameters
n_input = 784  # MNIST data input (img shape: 28*28像素即784个特征值)#tf Graph input(only pictures)
X=tf.placeholder("float", [None,n_input])# hidden layer settings
n_hidden_1 = 128
n_hidden_2 = 64
n_hidden_3 = 10
n_hidden_4 = 2   weights = {'encoder_h1': tf.Variable(tf.random_normal([n_input,n_hidden_1])),'encoder_h2': tf.Variable(tf.random_normal([n_hidden_1,n_hidden_2])),'encoder_h3': tf.Variable(tf.random_normal([n_hidden_2,n_hidden_3])),'encoder_h4': tf.Variable(tf.random_normal([n_hidden_3,n_hidden_4])),'decoder_h1': tf.Variable(tf.random_normal([n_hidden_4,n_hidden_3])),'decoder_h2': tf.Variable(tf.random_normal([n_hidden_3,n_hidden_2])),'decoder_h3': tf.Variable(tf.random_normal([n_hidden_2,n_hidden_1])),'decoder_h4': tf.Variable(tf.random_normal([n_hidden_1, n_input])),}
biases = {'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1])),'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),'encoder_b3': tf.Variable(tf.random_normal([n_hidden_3])),'encoder_b4': tf.Variable(tf.random_normal([n_hidden_4])),'decoder_b1': tf.Variable(tf.random_normal([n_hidden_3])),'decoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),        'decoder_b3': tf.Variable(tf.random_normal([n_hidden_1])),'decoder_b4': tf.Variable(tf.random_normal([n_input])),}def encoder(x): # Encoder Hidden layer with sigmoid activation #1layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']),biases['encoder_b1']))layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']),biases['encoder_b2']))layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['encoder_h3']),biases['encoder_b3']))layer_4 = tf.add(tf.matmul(layer_3, weights['encoder_h4']), biases['encoder_b4'])return layer_4#定义decoder
def decoder(x): # Decoder Hidden layer with sigmoid activation #2layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']),biases['decoder_b1']))layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']),biases['decoder_b2']))layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['decoder_h3']),biases['decoder_b3']))layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['decoder_h4']),biases['decoder_b4']))return layer_4# Construct model
encoder_op = encoder(X)             # 128 Features
decoder_op = decoder(encoder_op)    # 784 Features# Prediction
y_pred = decoder_op    #After
# Targets (Labels) are the input data.
y_true = X             #Beforecost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))
optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)# Launch the graph
with tf.Session() as sess:sess.run(tf.global_variables_initializer())total_batch = int(mnist.train.num_examples/batch_size)# Training cyclefor epoch in range(training_epochs):# Loop over all batchesfor i in range(total_batch):batch_xs, batch_ys = mnist.train.next_batch(batch_size)  # max(x) = 1, min(x) = 0# Run optimization op (backprop) and cost op (to get loss value)_, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})# Display logs per epoch stepif epoch % display_step == 0:print("Epoch:", '%04d' % (epoch+1),"cost=", "{:.9f}".format(c))print("Optimization Finished!")encode_result = sess.run(encoder_op,feed_dict={X:mnist.test.images})plt.scatter(encode_result[:,0],encode_result[:,1],c=mnist.test.labels)plt.title('Matplotlib,AE,classification--Jason Niu')plt.show()

相关文章
TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类

TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类相关推荐

TF之AE：AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比—daidingdaiding
TF之AE:AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比-daidingdaiding 目录输出结果代码设计输出结果代码设计 import ten ...
TF之AE：AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比
TF之AE:AE实现TF自带数据集数字真实值对比AE先encoder后decoder预测数字的精确对比目录输出结果代码设计输出结果代码设计 import tensorflow as tf i ...
TF之CNN：利用sklearn(自带手写数字图片识别数据集)使用dropout解决学习中overfitting的问题+Tensorboard显示变化曲线
TF之CNN:利用sklearn(自带手写数字图片识别数据集)使用dropout解决学习中overfitting的问题+Tensorboard显示变化曲线目录输出结果设计代码输出结果设计代码 ...
TensorFlow tf.data 导入数据（tf.data官方教程） * * * * *
原文链接:https://blog.csdn.net/u014061630/article/details/80728694 TensorFlow版本:1.10.0 > Guide > I ...
AE影视后期特效制作深入剖析AE表达…
其实表达式的教程写过不少,网上也不少,这次希望从计算机编程和算法的角度上去剖析,可能更好理解,这是根难啃的骨头,很多人也就一知半解懂个wiggle什么的,学好表达式,对工作效率的提升是很大的.新手的话 ...
ae万能弹性表达式_外置常用ae插件快速掌握AE软件的精髓
相信经常用ae软件的小伙伴就知道,AE的强大之处就在于它的插件,它就像一个巨型的加工厂.所以,AE插件在AE软件的使用中是必不可少的. 鉴于AE插件的种类繁多,为了让影视后期爱好者在后续学习AE软件 ...
TF之LiR：利用TF自定义一个线性分类器LiR对乳腺癌肿瘤数据集进行二分类预测(良/恶性)
TF之LiR:利用TF自定义一个线性分类器LiR对乳腺癌肿瘤数据集进行二分类预测(良/恶性) 目录输出结果设计思路核心代码输出结果设计思路核心代码 X_train = np.float32 ...
TF之p2p：基于TF利用p2p模型部分代码实现提高图像的分辨率
TF之p2p:基于TF利用p2p模型部分代码实现提高图像的分辨率目录一.tfimage.py文件功能解释二.process.py添加一个新操作一.tfimage.py文件功能解释 1.此处的c ...
TF之pix2pix：基于TF利用Facades数据集训练pix2pix模型、测试并进行生成过程全记录
TF之pix2pix:基于TF利用Facades数据集训练pix2pix模型.测试并进行生成过程全记录目录 TB监控 1.SCALARS 2.IMAGES 3.GRAPHS 4.DISTRIBUTI ...

TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类

输出结果

代码设计

TF之AE：AE实现TF自带数据集AE的encoder之后decoder之前的非监督学习分类相关推荐

最新文章

热门文章