附：8.4程序资料文件与下载

1. #演示内容：利用自动编码器实现手写数字图像数据集的二维平面的展示

2.  

3. import tensorflow as tf

4. import matplotlib.pyplot as plt

5.   

6. from tensorflow.examples.tutorials.mnist import input_data

7. mnist = input_data.read_data_sets("MNIST_data/", one_hot=False)#独热编码设为False

8.  

9. # xs, ys = mnist.train.next_batch(10)  #这个函数是取出一些数据。是从训练集里一次提取10张图片。则xs中存储的是图像的数据，ys存储的是这些图像对应的类别

10. # print (ys)  #此时打印的应该是类别

11. # mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

12. # xs,ys = mnist.train.next_batch(10)

13. # print (ys)  #此时打印的应该是独热编码的形式

14.  

15.   

16. learning_rate = 0.01

17. training_epochs = 10

18. batch_size = 256 #每次迭代所使用的样本的数目；

19. display_step = 1 

20. n_input = 784  #每个样本都是一张28 * 28像素的灰度手写数字图片。

21.  

22. #定义输入，可以理解为采用占位符进行占位，待实际运行时进行具体填充,None表示运行时指定,是指样本的个数。

23. X = tf.placeholder("float", [None, n_input]) 

24.  

25. n_hidden_1 = 128

26. n_hidden_2 = 64

27. n_hidden_3 = 10

28. n_hidden_4 = 2

29. weights = {

30.     'encoder_h1': tf.Variable(tf.truncated_normal([n_input, n_hidden_1],)),

31.     'encoder_h2': tf.Variable(tf.truncated_normal([n_hidden_1, n_hidden_2],)),

32.     'encoder_h3': tf.Variable(tf.truncated_normal([n_hidden_2, n_hidden_3],)),

33.     'encoder_h4': tf.Variable(tf.truncated_normal([n_hidden_3, n_hidden_4],)),

34.     'decoder_h1': tf.Variable(tf.truncated_normal([n_hidden_4, n_hidden_3],)),

35.     'decoder_h2': tf.Variable(tf.truncated_normal([n_hidden_3, n_hidden_2],)),

36.     'decoder_h3': tf.Variable(tf.truncated_normal([n_hidden_2, n_hidden_1],)),

37.     'decoder_h4': tf.Variable(tf.truncated_normal([n_hidden_1, n_input],)),

38. }

39. biases = {

40.     'encoder_b1': tf.Variable(tf.random_normal([n_hidden_1])),

41.     'encoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),

42.     'encoder_b3': tf.Variable(tf.random_normal([n_hidden_3])),

43.     'encoder_b4': tf.Variable(tf.random_normal([n_hidden_4])),

44.     'decoder_b1': tf.Variable(tf.random_normal([n_hidden_3])),

45.     'decoder_b2': tf.Variable(tf.random_normal([n_hidden_2])),

46.     'decoder_b3': tf.Variable(tf.random_normal([n_hidden_1])),

47.     'decoder_b4': tf.Variable(tf.random_normal([n_input])),

48. }

49. def encoder(x):

50.     layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['encoder_h1']),

51.                                    biases['encoder_b1']))

52.     layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['encoder_h2']),

53.                                    biases['encoder_b2']))

54.     layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['encoder_h3']),

55.                                    biases['encoder_b3']))

56.     # 为了便于编码层的输出，编码层随后一层不使用激活函数

57.     layer_4 = tf.add(tf.matmul(layer_3, weights['encoder_h4']),

58.                                     biases['encoder_b4'])

59.     return layer_4

60.   

61. def decoder(x):

62.     layer_1 = tf.nn.sigmoid(tf.add(tf.matmul(x, weights['decoder_h1']),

63.                                    biases['decoder_b1']))

64.     layer_2 = tf.nn.sigmoid(tf.add(tf.matmul(layer_1, weights['decoder_h2']),

65.                                    biases['decoder_b2']))

66.     layer_3 = tf.nn.sigmoid(tf.add(tf.matmul(layer_2, weights['decoder_h3']),

67.                                 biases['decoder_b3']))

68.     layer_4 = tf.nn.sigmoid(tf.add(tf.matmul(layer_3, weights['decoder_h4']),

69.                                 biases['decoder_b4']))

70.     return layer_4

71.   

72. encoder_op = encoder(X)

73. decoder_op = decoder(encoder_op)

74.   

75. y_pred = decoder_op

76. y_true = X

77.   

78. cost = tf.reduce_mean(tf.pow(y_true - y_pred, 2))

79. optimizer = tf.train.AdamOptimizer(learning_rate).minimize(cost)

80.   

81. with tf.Session() as sess:

82.     # tf.initialize_all_variables() no long valid from

83.     # 2017-03-02 if using tensorflow >= 0.12

84.     if int((tf.__version__).split('.')[1]) < 12 and int((tf.__version__).split('.')[0]) < 1:

85.         init = tf.initialize_all_variables()

86.     else:

87.         init = tf.global_variables_initializer()

88.     sess.run(init)

89.     total_batch = int(mnist.train.num_examples/batch_size)

90.     for epoch in range(training_epochs):

91.         for i in range(total_batch):

92.             batch_xs, batch_ys = mnist.train.next_batch(batch_size)  

93.             _, c = sess.run([optimizer, cost], feed_dict={X: batch_xs})

94.         if epoch % display_step == 0:

95.             print("Epoch:", '%04d' % (epoch+1), "cost=", "{:.9f}".format(c))

96.     print("Optimization Finished!")

97.   

98.     encoder_result = sess.run(encoder_op, feed_dict={X: mnist.test.images})

99.     plt.scatter(encoder_result[:, 0], encoder_result[:, 1], c=mnist.test.labels)

100.     plt.colorbar()

101.     plt.show()

支持rar,zip格式大小，大小50M以内