基本去噪自編碼器

import tensorflow as tf import matplotlib.pyplot as plt import numpy as np # 顯存自適應分配 gpus = tf.config.experimental.list_physical_devices(device_type='GPU') for gpu in gpus:tf.config.experimental.set_memory_growth(gpu,True) gpu_ok = tf.test.is_gpu_available() print("tf version:", tf.__version__) print("use GPU", gpu_ok) # 判斷是否使用gpu進行訓練 # 自編碼器的數據相似性，使用手寫數字集 (x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()

x_train = x_train.reshape(x_train.shape[0],-1) x_test = x_test.reshape(x_test.shape[0],-1) #3維reshape成2維 -1的意思就是28*28

# 歸一化 x_train = tf.cast(x_train,tf.float32)/255 x_test = tf.cast(x_test,tf.float32)/255 # 增加噪聲 factor = 0.5 # 噪聲系數 # 在x_train的基礎上增加噪聲數據 點與點相加 保證 形狀不變 x_train_noise = x_train + factor*np.random.normal(size = x_train.shape) x_test_noise = x_test + factor*np.random.normal(size = x_test.shape) # 控制到0-1范圍之間 x_train_noise = np.clip(x_train_noise,0.,1.) x_test_noise = np.clip(x_test_noise,0.,1.) n = 10 # 繪制增加噪聲后的數據 plt.figure(figsize=(10,2)) for i in range(1,n): ax = plt.subplot(1,n,i)plt.imshow(x_train_noise[i].reshape(28,28))

# 輸入784 壓縮到長度32的向量 在還原輸出784 input_size = 784 hidden_size = 32 output_size = 784 # 創建輸入 input = tf.keras.layers.Input(shape=(input_size,)) # 輸入的形狀 # encode 編碼 en = tf.keras.layers.Dense(hidden_size,activation="relu")(input) # 對輸入形狀進行編碼為32長度向量 # decode 解碼 de = tf.keras.layers.Dense(output_size,activation="sigmoid")(en) # 還原 # 創建模型 model = tf.keras.Model(inputs=input,outputs=de) model.summary()

# 編譯 model.compile(optimizer="adam",loss="mse" ) # 訓練 model.fit(x_train_noise,x_train, # 輸入的是帶噪聲的圖片 目標數據是原圖epochs=50, # 訓練步數batch_size = 256, # 每次訓練256個數據shuffle=True, # 亂序validation_data=(x_test_noise,x_test))

# 使用 encode = tf.keras.Model(inputs=input,outputs=en) # 獲取編碼器 input_de = tf.keras.layers.Input(shape=(hidden_size,)) output_de = model.layers[-1](input_de)#從模型最后一層 0x262423e1940 調用input_dedecode = tf.keras.Model(inputs=input_de,outputs=output_de) # 使用test進行測試 encode_test = encode(x_test_noise) # 使用encode去調用x_test_noise 得到編碼后的test數據

decode_test = decode.predict(encode_test) # 使用decode去調用test 得到解碼后的test數據

x_test_noise = x_test.numpy() # 轉換成numpy格式 # 繪圖 10張圖片 n = 10 plt.figure(figsize=(20,4)) # 畫布長20寬4 for i in range(1,n): # 循環從1畫到nax = plt.subplot(2,n,i) # 繪制此圖，2行 n列 的第i張圖片plt.imshow(x_test_noise[i].reshape(28,28)) # 繪制第i張圖片 reshape 成28*28的圖片格式ax = plt.subplot(2,n,i + n) # 繪制對應的圖片 2行 n列 n+1個plt.imshow(decode_test[i].reshape(28,28))

卷積去噪自編碼器

import tensorflow as tf import matplotlib.pyplot as plt import numpy as np # 顯存自適應分配 gpus = tf.config.experimental.list_physical_devices(device_type='GPU') for gpu in gpus:tf.config.experimental.set_memory_growth(gpu,True) gpu_ok = tf.test.is_gpu_available() print("tf version:", tf.__version__) print("use GPU", gpu_ok) # 判斷是否使用gpu進行訓練 # 自編碼器的數據相似性，使用手寫數字集 (x_train,y_train),(x_test,y_test) = tf.keras.datasets.mnist.load_data()

x_train = np.expand_dims(x_train,-1) x_test = np.expand_dims(x_test,-1) #3維變四維

# 歸一化 x_train = tf.cast(x_train,tf.float32)/255 x_test = tf.cast(x_test,tf.float32)/255 # 增加噪聲 factor = 0.5 # 噪聲系數 # 在x_train的基礎上增加噪聲數據 點與點相加 保證 形狀不變 x_train_noise = x_train + factor*np.random.normal(size = x_train.shape) x_test_noise = x_test + factor*np.random.normal(size = x_test.shape) # 控制到0-1范圍之間 x_train_noise = np.clip(x_train_noise,0.,1.) x_test_noise = np.clip(x_test_noise,0.,1.) n = 10 # 繪制增加噪聲后的數據 plt.figure(figsize=(10,2)) for i in range(1,n): ax = plt.subplot(1,n,i)plt.imshow(x_train_noise[i].reshape(28,28))

# 輸入784 壓縮到長度32的向量 在還原輸出784 input_size = 784 hidden_size = 32 output_size = 784 # 創建輸入 input = tf.keras.layers.Input(shape=x_train.shape[1:]) # 輸入的形狀 # encode 編碼 x = tf.keras.layers.Conv2D(16,3,activation="relu",padding="same")(input)# 28*28*16 x = tf.keras.layers.MaxPooling2D(padding="same")(x) # 14*14*16 x = tf.keras.layers.Conv2D(32,3,activation="relu",padding="same")(x) # 14*14*32 x = tf.keras.layers.MaxPooling2D(padding="same")(x) # 7*7*32 # decode 解碼 x = tf.keras.layers.Conv2DTranspose(16,3,strides=2,activation="relu",padding="same")(x) # 反卷積 14*14*16x = tf.keras.layers.Conv2DTranspose(1,3,strides=2,activation="sigmoid",padding="same")(x) # 28*28*1 # 創建模型 model = tf.keras.Model(inputs=input,outputs=x)

# 編譯 model.compile(optimizer="adam",loss="mse" ) # 訓練 model.fit(x_train_noise,x_train, # 輸入的是帶噪聲的圖片 目標數據是原圖epochs=50, # 訓練步數batch_size = 256, # 每次訓練256個數據shuffle=True, # 亂序validation_data=(x_test_noise,x_test))

總結

以上是生活随笔為你收集整理的GAN生成对抗网络-GAN原理与基本实现-去噪与卷积自编码器01的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。