python tensorflow教程,tensorflow.python

　　本文主要介绍python神经网络利用tensorflow实现自编码自动编码器。有需要的朋友可以借鉴一下，希望能有所帮助。祝大家进步很大，早日升职加薪。

　　00-1010自动编码器1简介为什么要降维2。自动编码器3的原理。用python实现encode的所有代码

学习前言

antoencoder简介

　　随着社会的发展，越来越多的人工智能可以用来解决问题，人工智能需要处理的问题也越来越复杂。作为神经网络的输入，维数越来越大，导致了目前的“维数灾难”和“信息丰富，知识贫乏”的问题。

　　维度太多并不是一件优秀的事情。维度过多也会导致训练效率低、特征提取困难等问题。如果能用优秀的方法提取特征，训练效率会大大提高。

　　常见的降维方法有PCA(主成分分析)和LDA (Fisher线性判别分析)。以后我会继续写关于这两种方法的用法的博客。

1、为什么要降维

　　该图是一个降维神经网络的示意图，它可以将N维数据量降低到2维数据量：

　　输入和输出都是数据的原始特征。我们用tensorflow的优化器来优化w1ij和w2ji。在优化的最后，w1ij是我们将N维数据编码成2维数据的方式，w2ji是我们将2维数据解码成N维数据的方式。

2、antoencoder的原理

　　def编码器(x):

　　layer _ 1=TF . nn . sigmoid(TF . add(TF . mat mul(x，weights[encoder_h1])，

　　偏差[encoder_b1]))

　　layer _ 2=TF . nn . sigmoid(TF . add(TF . mat mul(layer _ 1，weights[encoder_h2])，

　　偏差[encoder_b2]))

　　layer _ 3=TF . nn . sigmoid(TF . add(TF . mat mul(layer _ 2，weights[encoder_h3])，

　　偏差[encoder_b3]))

　　layer _ 4=TF . add(TF . mat mul(layer _ 3，weights[encoder_h4])，

　　偏差[编码器_b4])

　　返回层_4

　　def解码器(x):

　　layer _ 1=TF . nn . sigmoid(TF . add(TF . matmul(x，weights[decoder_h1])，

　　偏差[decoder_b1]))

　　layer _ 2=TF . nn . sigmoid(TF . add(TF . mat mul(layer _ 1，weights[decoder_h2])，

　　偏差[decoder_b2]))

　　layer _ 3=TF . nn . sigmoid(TF . add(TF . mat mul(layer _ 2，weights[decoder_h3])，

　　偏差[decoder_b3]))

　　layer _ 4=TF . nn . sigmoid(TF . add(TF . matmu

　　l(layer_3, weights[decoder_h4]),

　　 biases[decoder_b4]))

　　 return layer_4

　　encoder_op = encoder(X)

　　decoder_op = decoder(encoder_op)

　　其中encode函数的输出就是编码后的结果。

全部代码

　　该例子为手写体识别例子，将784维缩小为2维，并且以图像的方式显示。

import matplotlib.pyplot as plt

　　实现结果为：

　　可以看到实验结果分为很多个区域块，基本可以识别。

　　以上就是python神经网络使用tensorflow实现自编码Autoencoder的详细内容，更多关于tensorflow自编码Autoencoder的资料请关注盛行IT软件开发工作室其它相关文章！

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。