实例76：提取图片的特征，并利用特征还原图片

最新推荐文章于 2024-09-29 03:30:00 发布

原创

最新推荐文章于 2024-09-29 03:30:00 发布 · 1.9k 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #深度学习 #人工智能

该博客介绍了如何构建一个两层降维的自编码网络，通过该网络对MNIST数据集进行特征提取并重构。首先，定义网络模型，包括编码和解码过程，然后使用RMSProp优化器训练模型。经过20个epoch的训练，模型能够成功地从784维降至128维并还原图像。最后，通过测试集验证模型的准确性，并展示输入与输出图像的对比，显示了自编码网络在图像重构上的效果。

通过构建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MINST数据集
from tensorflow.examples.tutorials.mnist import input_data
minst = input_data.read_data_sets("   data/", one_hot=True)

3.定义网络模型

下面输入MNIST数据集的图片，将其像素点组成的数据（28×28=784）从784维降到256，然后降到128，最后再以同样的方式经过128再经过256，最后还原到原来图片。

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