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
目录
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 ...
最新文章
- 人群分析--ResnetCrowd: A Residual Deep Learning Architecture
- html列表按时间排序代码_程序员小白必看:腾讯视频版排序列表的实现
- 生日小助手的问答帮助——随时更新,长期有效……
- 美图HTTPS优化探索与实践
- 意外收获字节跳动内部资料,已开源
- android形状drawable
- java计算每个元素出现的百分比_java – 计算百分比“x / y * 100”总是导致0?
- android手机慢,Android手机运行慢?!教你一秒“提速”50%
- php 2个时间查询差几天,PHP怎么计算2个日期差
- TypeError: cannot unpack non-iterable int object查找指定文件夹下指定文件类型的数量
- C++的ORM 开源框架
- php如何使用memcached,PHP如何使用Memcached_PHP
- Python中格式化操作漂亮打印文件的读取和写入
- set global show_compatibility_56 = on;永久生效MySQL重启
- 【处理办法】USB插入TF卡或SD卡,计算机提示需格式化
- 修复dhcp client服务器,无法开启DHCP Client服务解决方法
- 二进制部署Kubernetes v1.13.4 HA可选 1
- 新疆维吾尔自治区坡度数据
- 网页爬虫1--正则表达式
- C语言或less或sass中,ceil floor 无法传入动态变量取整的办法
热门文章
- python基础-装饰器
- Ionic3 UI组件之 ImageLoader
- pycharm报错(Non-zero exit code (2))与手动安装报错
- ASP读取ACCESS数据库随机记录的方法
- Asp.net page 绑定及访问数据
- 教你用 Netty 实现一个简单的 RPC!
- Java线程详解(15)-阻塞队列和阻塞栈
- 什么场景应该用 MongoDB ?
- 剑指offer:写一个函数,求两个整数之和,要求在函数体内不得使用+、-、*、/四则运算符号。
- 【Python】青少年蓝桥杯_每日一题_5.03_判断是否是三角形