自动编码器python代码
时间: 2023-11-08 14:58:28 浏览: 35
以下是一个简单的自动编码器的Python代码示例:
```python
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Input, Dense
from tensorflow.keras.models import Model
# 定义自动编码器的输入层
input_layer = Input(shape=(784,))
# 定义编码器的隐藏层
encoded_layer = Dense(128, activation='relu')(input_layer)
# 定义解码器的隐藏层
decoded_layer = Dense(784, activation='sigmoid')(encoded_layer)
# 定义自动编码器模型
autoencoder = Model(input_layer, decoded_layer)
# 定义编码器模型
encoder = Model(input_layer, encoded_layer)
# 定义解码器模型
decoder_input = Input(shape=(128,))
decoder_output = autoencoder.layers[-1](decoder_input)
decoder = Model(decoder_input, decoder_output)
# 编译自动编码器模型
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')
# 加载MNIST数据集
from tensorflow.keras.datasets import mnist
(x_train, _), (x_test, _) = mnist.load_data()
# 预处理数据
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))
# 训练自动编码器模型
autoencoder.fit(x_train, x_train,
epochs=50,
batch_size=256,
shuffle=True,
validation_data=(x_test, x_test))
# 使用编码器模型将图像压缩为128维向量
encoded_imgs = encoder.predict(x_test)
# 使用解码器模型将压缩的向量解码为图像
decoded_imgs = decoder.predict(encoded_imgs)
```
在此示例中,我们使用Keras库定义了一个简单的自动编码器模型。该模型包含一个输入层、一个隐藏层和一个输出层。我们还定义了编码器和解码器模型,以便在训练后使用它们来压缩和解压缩图像。我们使用MNIST数据集来训练模型,并使用编码器和解码器模型对测试集中的图像进行压缩和解压缩。