自编码器AE编码四维数据

最新推荐文章于 2025-06-25 15:20:36 发布

Ctrl_Cver

最新推荐文章于 2025-06-25 15:20:36 发布

阅读量314

点赞数

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/qq_33596242/article/details/98176523

深度学习专栏收录该内容

27 篇文章

订阅专栏

本文通过使用Python编程语言中的TensorFlow库，演示了如何构建并训练一个自编码器模型。模型首先通过密集层将输入数据压缩为较低维度的表示，然后尝试从该表示重构原始输入。实验数据为四维张量，形状为（1，2，2，3）。通过1000次迭代，模型逐渐减小了重构损失，展示了自编码器的学习过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import numpy as np
import tensorflow as tf

data = np.array([[[[-0.94644142, 0.83340192, 0.66930326],
        [-2.24232114, 0.93636605, -1.79758255]],
        [[ 0.43525354 , 0.04762126 , 0.70189878],
        [-0.03094103, -0.09688619 ,-0.25116417]]]]) #（1，2，2，3）
data2 = tf.placeholder(tf.float32,[1,2,2,3])
hidden = tf.layers.dense(data2, 2)
outputs = tf.layers.dense(hidden, 3)
reconstruction_loss = tf.reduce_mean(tf.square(outputs - data2))
optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
training_op = optimizer.minimize(reconstruction_loss)
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for i in range(1000):
        _,loss=sess.run([training_op,reconstruction_loss],feed_dict={data2:data})
        print(loss)
    print(data)
    print(sess.run(outputs,feed_dict={data2:data}))

编码结果：

[[[[-0.94644142  0.83340192  0.66930326]
   [-2.24232114  0.93636605 -1.79758255]]

  [[ 0.43525354  0.04762126  0.70189878]
   [-0.03094103 -0.09688619 -0.25116417]]]]
[[[[-0.9531708   0.86388004  0.65454376]
   [-2.2364683   0.90826994 -1.7837106 ]]

  [[ 0.45066252 -0.02157165  0.73690164]
   [-0.04599832 -0.02982292 -0.28529853]]]]