基于TensorFlow实现AutoEncoder

我就是我 2022-06-10 09:59 205阅读 0赞

## 前言 ##

AE（AutoEncoder）是一种无监督学习算法，通过encode和decode过程实现，最简单的AE结构：encode和decode均为一层，和PCA很类似，本文将会介绍基于卷积的AE，encode阶段设置成三个卷积层，decode阶段设置成三个卷积层，其中encode的第三层输出维度为2，使得code为一个二维向量。

## 结构设计 ##

我最初只设计了两层的卷积，输出128维，在MNIST数据集上面的cost能达到0.076左右，添加第三层之后，输出2维，在MNIST数据集上面的cost能达到0.059，模型性能得以提升。

![Center][]

## 代码实现 ##

设计编码器

def encoder(x):
        # Encoder Hidden layer with sigmoid activation
        layer_1 = tf.nn.relu(tf.add(tf.matmul(x, weights['encoder_h1']),
                                       biases['encoder_b1']))
        layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, weights['encoder_h2']),
                                       biases['encoder_b2']))
        layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2, weights['encoder_h3']),
                                       biases['encoder_b3']))
        return layer_3

设计解码器

def decoder(x):
        # Encoder Hidden layer with sigmoid activation
        layer_1 = tf.nn.relu(tf.add(tf.matmul(x, weights['decoder_h1']),
                                       biases['decoder_b1']))
        layer_2 = tf.nn.relu(tf.add(tf.matmul(layer_1, weights['decoder_h2']),
                                       biases['decoder_b2']))
        layer_3 = tf.nn.relu(tf.add(tf.matmul(layer_2, weights['decoder_h3']),
                                       biases['decoder_b3']))
        return layer_3

[Center]: /images/20220610/1ccf034959324785adf8b74728834c4f.png