【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！

这周工作太忙，本来想更把 Attention tranlsation 写出来，但一向抽不出时光，等后面有时光再来写。我们这周来看一个简单的自编码器拭魅战代码，关于自编码器的理论介绍我就不具体介绍了，网上一搜一大年夜把。最简单的自编码器就是经由过程一个 encoder 和 decoder 来对输入进行复现，例如我们将一个图片输入到一个收集中，自编码器的 encoder 对图片进行紧缩，获灯揭捉?缩后的信息，进而 decoder 再将这个信息进行解码大年夜而复现原图。

记得最后封闭 sess。

自编码器实际上是通以前最小化 target 和 input 的差别来进行优化，即让输出层尽可能地去复现本来的信息。因为自编码器的基本情势比较简单，对于它的一些变体也异常之多，包含 DAE，SDAE，VAE 等等，如不雅感兴趣的小伙伴可以去网上搜一下其他相干信息。

对象解释

• TensorFlow1.0

• jupyter notebook

• 数据：MNIST 手写数据集

• 完全代码地址：NELSONZHAO/zhihu

第一部分

起首我们将实现一个如上图构造的最简单的 AutoEncoder。

在这里，我们应用 MNIST 手写数据集来进行实验。起首我们须要导入数据，TensorFlow 已经封装了这个实验数据集，所以我们应用起来也异常简单。

如不雅想让数据显示灰度图像，应用代码 plt.imshow(img.reshape((28,28)), cmap='Greys_r') 即可。

经由过程 input_data 就可以加载我们的数据集。如不雅小伙伴本地已经有了 MNIST 数据集（四个紧缩包），可以把这四个紧缩包放在目次 MNIST_data 下，如许 TensorFlow 就会直接 Extract 数据，而不消再从新下载。我们可以经由过程 imshow 来随便查看一个图像。因为我们加载进来的数据已经被处理成一个 784 维度的向量，是以从新显示的时刻须要 reshape 一下。

加载数据

构建模型

我们把数据加载进来今后就可以进行最简单的建模。在这之前，我们起首来获取一下 input 数据的大年夜小，我们加载进来的图片是 28x28 的像素块，TensorFlow 已经帮我们处理成了 784 维度的向量。同时我们还须要指定一下 hidden layer 的大年夜小。

AutoEncoder 中包含了 input，hidden 和 output 三层。

至此，一个简单的 AutoEncoder 就构造完成，接下来我们可以启动 TensorFlow 的 graph 来进行练习。

练习结不雅可视化

经由膳绫擎的步调，我们构造了一个简单的 AutoEncoder，下面我们将对结不雅进行可视化看一下它的表示。

这里，我遴选了测试数据集中的 5 个样本来进行可视化，同样的，如不雅想不雅察灰度图像，指定 cmap 参数为'Greys_r'即可。膳绫擎一行动 test 数据集华夏始图片，第二行是经由 AutoEncoder 复现今后的图片，可以很明显的看到像素信息的损掉。

同样，我们也可以把隐财揭捉?缩的数据拿出来可视化，结不雅如下：

这五张图分别对应了 test 中五张图片的隐财揭捉?缩后的图像。

经由过程膳绫擎一个简单的例子，我们懂得了 AutoEncoder 的根本工作道理，下面我们将更进一步改进我们的模型，将隐层转换为卷积层来进行图像降袈潆。

膳绫擎过程中省略了一部分代码，完全代码请去我的 GitHub 上查看。

第二部分

在懂得了膳绫擎 AutoEncoder 工作道理的基本上，我们在这一部分将对 AutoEncoder 参加多个卷积层来进行图片的降袈潆处理。

同样的我们照样应用 MNIST 数据集来进行实验，关于数据导入的步调不再赘述，请下载代码查看。在开端之前，我们先经由过程一张图片来看一下我们的┞符个模型构造：

我们经由过程向模型输入一个带有噪声的图片，在输出端给模型没有噪声的图片，让模型经由过程卷积自编码器去进修降袈潆的过程。

输入层

　　推荐阅读

　　只有20行Javascript代码！手把手教你写一个页面模板引擎

【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！经由过程这种办法，我们可以根据字符串构造函数，包含它的参数和函数体。这不恰是我们想要的嘛!不过先别急，在构造函数之>>>详细阅读

本文标题：利用卷积自编码器对图片进行降噪

地址：http://www.17bianji.com/lsqh/36298.html

 1/2    1