Keras搭建的自编码模型

import numpy as np  

np.random.seed(1337)  # for reproducibility  

  

from keras.datasets import mnist  

from keras.models import Model #泛型模型  

from keras.layers import Dense, Input  

import matplotlib.pyplot as plt  

  

# X shape (60,000 28x28), y shape (10,000, )  

(x_train, _), (x_test, y_test) = mnist.load_data()  

  

# 数据预处理  

x_train = x_train.astype('float32') / 255. - 0.5       # minmax_normalized  

x_test = x_test.astype('float32') / 255. - 0.5         # minmax_normalized  

x_train = x_train.reshape((x_train.shape[0], -1))  

x_test = x_test.reshape((x_test.shape[0], -1))  

print(x_train.shape)  

print(x_test.shape)  

  

# 压缩特征维度至2维  

encoding_dim = 2  

  

# this is our input placeholder  

input_img = Input(shape=(784,))  

  

# 编码层  

encoded = Dense(128, activation='relu')(input_img)  

encoded = Dense(64, activation='relu')(encoded)  

encoded = Dense(10, activation='relu')(encoded)  

encoder_output = Dense(encoding_dim)(encoded)  

  

# 解码层  

decoded = Dense(10, activation='relu')(encoder_output)  

decoded = Dense(64, activation='relu')(decoded)  

decoded = Dense(128, activation='relu')(decoded)  

decoded = Dense(784, activation='tanh')(decoded)  

  

# 构建自编码模型  

autoencoder = Model(inputs=input_img, outputs=decoded)  

  

# 构建编码模型  

encoder = Model(inputs=input_img, outputs=encoder_output)  

  

# compile autoencoder  

autoencoder.compile(optimizer='adam', loss='mse')  

  

# training  

autoencoder.fit(x_train, x_train, epochs=20, batch_size=256, shuffle=True)  

  

# plotting  

encoded_imgs = encoder.predict(x_test)  

plt.scatter(encoded_imgs[:, 0], encoded_imgs[:, 1], c=y_test, s=3)  

plt.colorbar()  

plt.show()