实例77：提取图片的二维特征，并利用二维特征还原图

最新推荐文章于 2025-10-02 14:50:44 发布

原创

最新推荐文章于 2025-10-02 14:50:44 发布 · 1.5k 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#tensorflow #人工智能 #python

本文通过使用自编码网络，逐步将MNIST手写数字图像从784维度压缩至2维，展示特征提取过程。通过4层网络结构，先压缩后解压缩，保持数据主要特征。训练完成后，对比输入和输出图像，并将二维特征可视化，揭示数据在二维空间的分布，有助于进一步的分类任务。

将MNIST图片压缩成二维数据，这样也可以在直角坐标系上将其显示出来，让读者更加形象的了解自编码网络在特征提取方面的功能

实例描述

在自编码网络中使用线性解码器对MNIST数据特征进行再压缩，并将其映射到直角坐标系上。
这里使用4层逐渐压缩784维度分别压缩成256、64、16、2这4个特征向量。

如果想要得到更好的特征提取效果，可以将压缩的层数变得更多，但由于Sigmod函数“天生”缺陷，无法使用更深的层，可以使用栈式自编码器解决。

1.引入头文件，定义参数变量

建立4层网络，为每一层分配节点个数。

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

#参数设置
learning_rate = 0.01    
# hidden layer settings
n_hidden_1 = 256
n_hidden_2 = 64
n_hidden_3 = 16
n_hidden_4 = 2
n_input = 784  # MNIST data 输入 (img shape: 28*28)

#tf Graph输入
x = tf.placeholder("float", [None,n_input])
y=x
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],)),
    'encoder_h3': tf.Variable(tf.random_normal([n_hidden_2, n_hidden_3],)),
    'encoder_h4': tf.Variable(tf.random_normal([n_hidden_3, n_hidden_4],)),

    'decoder_h1': tf.Variable(tf.random_normal([n_hidden_4, n_hidden_3],)),
    'decoder_h2': tf.Variable(tf.random_normal([n_hidden_3, n_hidden_2],

最低0.47元/天解锁文章