keras自动编码器实现系列之卷积自动编码器操作资源-CSDN文库

149 浏览量 2021-01-21 15:30:32 上传评论 2 收藏 58KB PDF 举报

资源推荐

资源详情

资源评论

keras自动编码器实现系列之卷积自动编码器操作自动编码器实现系列之卷积自动编码器操作

图片的自动编码很容易就想到用卷积神经网络做为编码-解码器。在实际的操作中，

也经常使用卷积自动编码器去解决图像编码问题，而且非常有效。

下面通过**keras**完成简单的卷积自动编码。编码器有堆叠的卷积层和池化层(max pooling用于空间降采样)组成。对应的解

码器由卷积层和上采样层组成。

@requires_authorization

# -*- coding:utf-8 -*-

from keras.layers import Input, Dense, Conv2D, MaxPooling2D, UpSampling2D

from keras.models import Model

from keras import backend as K

import os

## 网络结构 ##

input_img = Input(shape=(28,28,1)) # Tensorflow后端，注意要用channel_last

# 编码器部分

x = Conv2D(16, (3,3), activation='relu', padding='same')(input_img)

x = MaxPooling2D((2,2), padding='same')(x)

x = Conv2D(8,(3,3), activation='relu', padding='same')(x)

x = MaxPooling2D((2,2), padding='same')(x)

x = Conv2D(8, (3,3), activation='relu', padding='same')(x)

encoded = MaxPooling2D((2,2), padding='same')(x)

# 解码器部分

x = Conv2D(8, (3,3), activation='relu', padding='same')(encoded)

x = UpSampling2D((2, 2))(x)

x = Conv2D(8, (3,3), activation='relu', padding='same')(x)

x = UpSampling2D((2, 2))(x)

x = Conv2D(16, (3, 3), activation='relu'， padding='same')(x)

x = UpSampling2D((2, 2))(x)

decoded = Conv2D(1, (3, 3), activation='sigmoid', padding='same')(x)

autoencoder = Model(input_img, decoded)

autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

# 得到编码层的输出

encoder_model = Model(inputs=autoencoder.input, outputs=autoencoder.get_layer('encoder_out').output)

## 导入数据，使用常用的手写识别数据集

def load_mnist(dataset_name):

'''

load the data

'''

data_dir = os.path.join("./data", dataset_name)

f = np.load(os.path.join(data_dir, 'mnist.npz'))

train_data = f['train'].T

trX = train_data.reshape((-1, 28, 28, 1)).astype(np.float32)

trY = f['train_labels'][-1].astype(np.float32)

test_data = f['test'].T

teX = test_data.reshape((-1, 28, 28, 1)).astype(np.float32)

teY = f['test_labels'][-1].astype(np.float32)

# one-hot

# y_vec = np.zeros((len(y), 10), dtype=np.float32)

# for i, label in enumerate(y):

# y_vec[i, y[i]] = 1

# keras.utils里带的有one-hot的函数，就直接用那个了

return trX / 255., trY, teX/255., teY

# 开始导入数据

x_train, _ , x_test, _= load_mnist('mnist')

# 可视化训练结果，我们打开终端，使用tensorboard

# tensorboard --logdir=/tmp/autoencoder # 注意这里是打开一个终端，在终端里运行

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余3页未读，立即下载

内容反馈

weixin_38603259

粉丝: 5
资源: 922

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip