自编码器是一种特殊的神经网络（neural network），它的输出目标（target）就是输入（所以它基本上就是试图将输出重构为输入），由于它不需要任何人工标注，所以可以采用无监督的方式进行训练。
自编码器其实也是一种神经网络算法。它与神经网络的区别有：
1、自编码器适合无监督学习，即没有标注，也可以提取高阶特征；
2、输入与输出一致，期望提炼出高阶特征来还原自身数据。
3、单隐含层的自编码器，类似于主成分分析（PCA）
实际作用：
先用自编码器的方法进行无监督的预训练，提取特征并初始化权重，然后使用标注信息进行监督式的训练。
当然不局限于预训练，直接使用自编吗器进行特征提取与分析也是可以的（降维）。
TensorFlow实现：
最具代表性的是去噪自编码器。
1、定义一个类，包含：
- 网络结构，即一些数学公式：激活函数、最终层的复原函数
- 损失函数
- 一些调用成员函数：权重初始化、cost及训练、复原、权重的提取
2、加载数据，标准化处理，迭代学习
示例
import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
# 使用一种参数初始化方法xavier initialization，它的特点是会根据某一层网络的输入，输出节点数量自动调整最合适的分布。
# 如果深度学习模型的权重初始化的太小，那么信号将在每层间传输时逐渐缩小而难以产生作用，但如果初始化得太大，那信号将在每层间传递时逐渐放大并导致发散和失效。
# Xavier就是让权重满足0均值，同时方差为2/(nin + nout)，分布可以用均匀分布，
def xavier_init(fan_in, fan_out, constant=1):
low = -constant * np.sqrt(6.0 / (fan_in + fan_out))
high = constant * np.sqrt(6.0 / (fan_in + fan_out))
return tf.random_uniform((fan_in, fan_out),
minval=low, maxval=high,
dtype=tf.float32)
# 定义去噪自编吗的class，包含一个构建函数__init__(),还有一些常用的成员函数
class AdditiveGaussianNoiseAutoencoder(object):
# n_input:输入变量数；n_hidden:隐含层节点数；transfer_function:隐含层的激活函数；scale：高斯噪声系数
def __init__(self, n_input, n_hidden, transfer_function=tf.nn.softplus,
optimizer=tf.train.AdamOptimizer(), scale=0.1):
self.n_input = n_input
self.n_hidden = n_hidden
self.transfer = transfer_function
self.scale = tf.placeholder(tf.float32)
self.training_scale = scale
network_weights = self._initialize_weights()
self.weights = network_weights
# 定义网络结构
self.x = tf.placeholder(tf.float32, [None, self.n_input])
self.hidden = self.transfer(tf.add(tf.matmul(
self.x + scale * tf.random_normal((n_input,)),
self.weights['w1']), self.weights['b1']))
self.reconstruction = tf.add(tf.matmul(self.hidden,
self.weights['w2']), self.weights['b2'])
# 定义损失函数，平方误差作为cost
self.cost = 0.5 * tf.reduce_sum(tf.pow(tf.subtract(
self.reconstruction, self.x), 2.0))
self.optimizer = optimizer.minimize(self.cost)
init = tf.global_variables_initializer()
self.sess = tf.Session()
self.sess.run(init)
# 参数初始化函数定义
def _initialize_weights(self):
all_weights = dict()
all_weights['w1'] = tf.Variable(xavier_init(self.n_input, self.n_hidden))
all_weights['b1'] = tf.Variable(tf.zeros([self.n_hidden], dtype=tf.float32))
all_weights['w2'] = tf.Variable(tf.zeros([self.n_hidden, self.n_input], dtype=tf.float32))
all_weights['b2'] = tf.Variable(tf.zeros([self.n_input], dtype=tf.float32))
return all_weights
# 定义计算损失cost及执行一步训练的函数
def partial_fit(self, x):
cost, opt = self.sess.run((self.cost, self.optimizer),
feed_dict={self.x: x, self.scale: self.training_scale})
return cost
# 只求损失cost的函数
def calc_total_cost(self, x):
return self.sess.run(self.cost,
feed_dict={self.x: x, self.scale: self.training_scale})
# 返回自编码器隐含层的输出结果
def transform(self, x):
return self.sess.run(self.hidden,
feed_dict={self.x: x, self.scale: self.training_scale})
# 将隐含层的输出结果作为输入，通过重建层将提取到的高阶特征复原为原始数据
def generate(self, hidden=None):
if hidden is None:
hidden = np.random_normal(size=self.weights["b1"])
return self.sess.run(self.reconstruction,
feed_dict={self.hidden: hidden})
# 整体运行一遍复原过程，包括提取高阶特征和通过高阶特征复原数据
def reconstruct(self, x):
return self.sess.run(self.construction,
feed_dict={self.x: x, self.scale: self.training_scale})
# 获取隐含层的权重W1
def getWeights(self):
return self.sess.run(self.weights['w1'])
def getBiases(self):
return self.sess.run(self.weights['b1'])
# 使用我们定义好的类
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
# 标准化处理
def standard_scale(x_train, x_test):
preprocessor = prep.StandardScaler().fit(x_train)
x_train = preprocessor.transform(x_train)
x_test = preprocessor.transform(x_test)
return x_train, x_test
# 获取随机block，不放回抽样
def get_random_block_from_data(data, batch_size):
start_index = np.random.randint(0, len(data) - batch_size)
return data[start_index: (start_index + batch_size)]
x_train, x_test = standard_scale(mnist.train.images, mnist.test.images)
n_samples = int(mnist.train.num_examples)
training_epochs = 20
batch_size = 128
display_step = 1
# 创建一个AGN自编吗器的实例
autoencoder = AdditiveGaussianNoiseAutoencoder(n_input=784,
n_hidden=200,
transfer_function=tf.nn.softplus,
optimizer=tf.train.AdagradOptimizer(learning_rate=0.001),
scale=0.01)
for epoch in range(training_epochs):
avg_cost = 0.
total_batch = int(n_samples / batch_size)
for i in range(total_batch):
batch_xs = get_random_block_from_data(x_train, batch_size)
cost = autoencoder.partial_fit(batch_xs)
avg_cost += cost / n_samples * batch_size
if epoch % display_step == 0:
print("Epoch:", '%04d' % (epoch + 1), "cost=",
"{:.9f}".format(avg_cost))
# 计算测试集整体的cost
print("Total cost: " + str(autoencoder.calc_total_cost(x_test)))
运行结果：
Epoch: 0001 cost= 30605.952986364 Epoch: 0002 cost= 24782.857529545 Epoch: 0003 cost= 22460.788431818 Epoch: 0004 cost= 22560.084118182 Epoch: 0005 cost= 21883.631884091 Epoch: 0006 cost= 20949.763325000 Epoch: 0007 cost= 18985.162004545 Epoch: 0008 cost= 19601.635181818 Epoch: 0009 cost= 19095.008981818 Epoch: 0010 cost= 17764.048461364 Epoch: 0011 cost= 17395.307373864 Epoch: 0012 cost= 18420.430104545 Epoch: 0013 cost= 16522.635278409 Epoch: 0014 cost= 18391.607369318 Epoch: 0015 cost= 15189.384457955 Epoch: 0016 cost= 16934.368390909 Epoch: 0017 cost= 16483.074007955 Epoch: 0018 cost= 18073.844284091 Epoch: 0019 cost= 16563.650806818 Epoch: 0020 cost= 16148.637540909 Total cost: 1308946.5