自编码网络（一）—— 提取图片特征，并利用特征还原图片

最新推荐文章于 2024-10-29 16:46:38 发布

原创

最新推荐文章于 2024-10-29 16:46:38 发布 · 7.3k 阅读

25 ·

CC 4.0 BY-SA版权

本文通过构建两层自编码网络，从MNIST数据集中提取图像特征，随后使用这些特征还原图像。经过训练，模型在测试集上表现出高准确率。最后，比较输入图像与重构后的图像，结果显示自编码网络能够有效还原图片。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

通过建立一个两层降维的自编码网络，将MNIST数据集的数据特征提取出来，并通过这些特征再重建一个MNIST数据集。

1，引入头文件，并加载mnist数据

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

#导入mnist数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/data/", one_hot = True)

2.定义网络结构

learning_rate = 0.01
n_hidden_1 = 256
n_hidden_2 = 128
n_input = 784

#占位符
x = tf.placeholder("float",[None, n_input]) #输入
y = x                                       #输出

#学习参数
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])),
           'decoder_h1': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_1])),
           'decoder_h2': tf.Variable(tf.random_normal([n_hidden_1, n_input])),
           }
biases = {'encoder_b1': tf.