TensorFlow学习02-AutoEncoder和MLP

自编码器和多层感知机

整个神经网络的流程:

定义算法公式,也就是神经网络的forward时的计算

定义loss,选定优化器,并指定优化器优化loss

迭代地对数据进行训练

在测试集或验证集上对准确率进行评测

1.1 自编码简介

稀疏编码(Sparse Coding)发现图像碎片可以由64种正交的边组合而成,音频也有基本结构线性组合。

原本通过标注的数据,我们可以训练一个深层的神经网络,现在对于没有标注的数据,我们可以用无监督的自编码器来提取特征。自编码器(AutoEncoder)可以使用自身高阶特征编码自己。

自编码器也是一种神经网络,它有两个明显特征:1.期望输入/输出一致;2.希望使用高阶特征来重构自己,而不是复制像素点。

无监督的逐层训练:1。如果限制中间隐含层的数量,这样就只能学习数据中最重要的特征然后复原。如果给中间的隐藏层加一个L1的正则,啧可以根据惩罚系数来调整学到特征组合的稀疏程度。

2。如果给数据加入噪声,就变成了去噪自编码器(Denoising AutoEncoder),完全复制是不能去除噪声的,只有学习数据频繁出现的模式和结构,将无律的噪声略去,才能复原数据。

去噪自编码器最常使用的是加性高斯噪声(Additive Gaussian Noise,AGN),也可使用有随机遮挡的噪声(Masking Noise)。

如果自编码器的隐含层只有一层,那么原理类似主成分分析(PCA)。DBN模型有多个隐含层,每个隐含层都是限制性玻尔兹曼机(Restricted Boltzman Machine,RBM)。

1.2 实现自编码器

Variation AutoEncoder(VAE),Stochastic Gradient Variational Bayes(SGVB)

代码:

mnistAutoEncoder.py

import numpy as np

import sklearn.preprocessing as prep

# 数据预处理的模块,还有使用数据标准化的功能

import tensorflow as tf

from tensorflow.examples.tutorials.mnist import input_data

# 使用的是一种参数初始化方法xavier initialization。Xavier初始化器

def xavier_init(fan_in, fan_out, constant = 1):

low = -constant * np.sqrt(6.0 / (fan_in + fan_out))

high = -constant * np.sqrt(6.0 / (fan_in + fan_out))

return tf.random_uniform((fan_in, fan_out),

minval=low, maxval=high,

dtype=tf.float32)

class  AdditiveGaussianNoiseAutoencoder(object):

def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,

optimizer=tf.train.AdamOptimizer(), scale=0.1):

self.n_input = n_input                  # 输入变量数

self.n_hidden = n_hidden                # 隐含层节点数

self.transfer = transfer_function        # 隐含层的激活函数

self.scale = tf.placeholder(tf.float32)  # 优化器,默认为Adam

self.training_scale = scale              # 高斯噪声技术

network_weights = self._initialize_weights()

self.weights = network_weights

# 定义网络结构,建立n_input维度的placeholder然后建立隐含层,将输入的x加上噪声

# 之后x*w1+b1,用transfer对结果进行激活函数处理

self.x = tf.placeholder(tf.float32, [None, self.n_input])

self.hidden = self.transfer(tf.add(tf.matmul(

self.x + scale * tf.random_normal((n_input,)),

self.weights['w1']),self.weights['b1']))

# 在输出层进行数据复原、重建操作(即reconstruction),只要输出self.hidden*w2+b2

self.reconstruction = tf.add(tf.matmul(self.hidden,

self.weights['w2']),self.weights['b2'])

# 定义自编码的损失函数

# 计算平方误差和优化损失cost

self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(

self.reconstruction, self.x), 2.0))

self.optimizer = optimizer.minimize(self.cost)

# 初始化模型

init = tf.global_variables_initializer()

self.sess = tf.Session()

self.sess.run(init)

# 创建初始化函数

def _initialize_weights(self):

# 把w1,b1,w2,b2存入all_weights,w1要用到xavier初始化,后三个变量使用tf.zeros置0

all_weights = dict()

all_weights['w1'] = tf.Variable(xavier_init(self.n_input,

self.n_hidden))

all_weights['b1'] = tf.Variable(tf.zeros([self.n_hidden],

dtype=tf.float32))

all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden,

self.n_input], dtype=tf.float32))

all_weights['b2'] = tf.Variable(tf.zeros([self.n_input],

dtype=tf.float32))

return all_weights

# 计算损失cost以及执行一步训练的函数partial_fit

# feed_dict输入了数据x和噪声系数sacle

def partial_fit(self, X):

cost, opt = self.sess.run((self.cost, self.optimizer),

feed_dict={self.x: X, self.scale:self.training_scale})

return cost

# 只求损失cost的函数,评测性能会用到

def calc_total_cost(self, X):

return self.sess.run(self.cost, feed_dict={self.x: X,

self.scale: self.training_scale})

# 提供一个接口获取抽象后的特征

def transform(self, X):

return self.sess.run(self.hidden, feed_dict={self.x: X,

self.scale: self.training_scale

})

# 将高阶特征复原为原始数据

def generate(self, hidden = None):

if hidden is None:

hidden = np.random.normal(size=self.weights["b1"])

return self.sess.run(self.reconstruction,

feed_dict={self.hidden: hidden})

# 整体运行一遍复原过程,包括提取高阶特征和通过高阶特征复原数据

def reconstruct(self, X):

return self.sess.run(self.reconstruction, feed_dict={self.x: X,

self.scale: self.training_scale

})

# 获取隐含层权重w1

def getWeights(self):

return self.sess.run(self.weights['w1'])

# 获取隐含层偏置系数b1

def getBiases(self):

return self.sess.run(self.weights['b1'])

# 使用定义好的AGN自编码

mnist = input_data.read_data_sets('MNIST-data', one_hot=True)

# 标准化处理函数,把数据变为均值0,标准差1的分布

def standard_scale(X_train, X_test):

preprocessor = prep.StandardScaler().fit(X_train)

X_train = preprocessor.transform(X_train)

X_test = preprocessor.transform(X_test)

return X_train, X_test

# 定义一个随机block数据的函数:取一个0~(len(data) - batch_size)之间的随机整数

def get_random_block_from_data(data, batch_size_1):

start_index = np.random.randint(0, len(data) - batch_size_1)

return data[start_index:(start_index + batch_size_1)]

X_train, X_test = standard_scale(mnist.train.images, mnist.test.images)

n_samples = int(mnist.train.num_examples)

training_epochs = 40

batch_size = 128

display_step = 1

# 创建一个AGN实例

autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,

n_hidden=200,

transfer_function=tf.nn.softplus,

optimizer=tf.train.AdamOptimizer(learning_rate=0.001),

scale=0.01)

# 开始训练过程

for epoch in range(training_epochs):

avg_cost = 0.

total_batch = int(n_samples/batch_size)

for i in range(total_batch):

batch_xs = get_random_block_from_data(X_train, batch_size)

cost = autoencoder.partial_fit(batch_xs)

avg_cost += cost/n_samples*batch_size

if epoch % display_step == 0:

print("Epoch:",'%04d' % (epoch + 1), "cost=", "{:.9f}".format(avg_cost))

print("Total cost: " + str(autoencoder.calc_total_cost(X_test)))

2.1 多层感知器神经网络(Multi-layer perceptron neural networks,MLP neural netwoks)又称全连接神经网络(Fully Connected Network,FCN)

最终,在测试集上可以达到98%的准确率,仅仅是增加一个隐含层就实现了。其中也使用了一些Trick进行辅助,如Dropout、Adagrad、ReLU等,但是起决定作用的还是隐含层本身,它能对特征进行抽象和转化。

相比于Sotfmax Regression只能从图像的像素点推断哪个是数字,MLP可以依靠神经层组合出高阶特征,比如说横线,竖线和圆圈等。

mnistMLP.py

# 多层感知器神经网络(Multi-layer perceptron neural networks,MLP neural netwoks)

# 创建一个Tensorflow默认的InteractiveSession,这样后面执行无须指定Session

from tensorflow.examples.tutorials.mnist import input_data

import tensorflow as tf

mnist = input_data.read_data_sets("MNIST-data", one_hot=True)

sess = tf.InteractiveSession()

# ### step1:定义算法公式 ####

in_units = 784  # 输入节点数

h1_units = 300  # 隐含层的输出节点数

# W1和b1是隐含层的权重和偏置,将偏置全部赋值为0,设置为截断的正态分布,标准差stddev为0.1

# 可以通过tf.truncated_normal实现

W1 = tf.Variable(tf.truncated_normal([in_units, h1_units], stddev=0.1))

b1 = tf.Variable(tf.zeros([h1_units]))

# 因为模型使用的是ReLU几乎函数,所以需要用正态分布加一点噪声打破完全对称,和避免0梯度

# 其他模型可能还需要给偏置赋上一点小的零值来避免dead neuron,输出层Softmax,W2和b2初始化为0

W2 = tf.Variable(tf.zeros([h1_units, 10]))

b2 = tf.Variable(tf.zeros([10]))

# x的输入Dropout的比率keep_prob是不一样的,通常在训练时小于1,在预测时等于1,

x = tf.placeholder(tf.float32, [None, in_units])

keep_prob = tf.placeholder(tf.float32)

# 首先一个ReLU的隐含层,调用Dropout。keep_prob为保留数据的比例

# 预测时应该等于1,用全部特征来预测样本的类别

hidden1 = tf.nn.relu(tf.matmul(x, W1) + b1)

hidden1_drop = tf.nn.dropout(hidden1, keep_prob)

y = tf.nn.softmax(tf.matmul(hidden1_drop, W2) + b2)

# ### step2:定义loss,选定优化器 ####

# 交叉信息熵,AdagradOptimizer 和 学习率0.3

y_ = tf.placeholder(tf.float32, [None, 10])

cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y),

reduction_indices=[1]))

train_step = tf.train.AdagradOptimizer(0.3).minimize(cross_entropy)

# ### step3:训练 ####

# 输入数据集,设置keep_prob为0.75

tf.global_variables_initializer().run()

for i in range(10000):

batch_xs, batch_ys = mnist.train.next_batch(100)

train_step.run({x: batch_xs, y_: batch_ys, keep_prob: 0.75})

if i % 1000 == 0:

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(i, accuracy.eval({x: batch_xs, y_: batch_ys, keep_prob: 1.0}))

# ### step4:在测试集或验证集上对准确率进行评测 ####

correct_prediction = tf.equal(tf.argmax(y, 1), tf.argmax(y_, 1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(accuracy.eval({x: mnist.test.images, y_: mnist.test.labels,

keep_prob: 1.0}))

推荐阅读更多精彩内容