张量、层与自编码器

Keras 深度学习入门

Miguel Esteban

Data Scientist & Founder

访问 Keras 层

# 访问Keras模型的第一层
first_layer = model.layers[0]

# 打印该层及其输入、输出与权重
print(first_layer.input)
print(first_layer.output)
print(first_layer.weights)

<tf.Tensor 'dense_1_input:0' shape=(?, 3) dtype=float32>

<tf.Tensor 'dense_1/Relu:0' shape=(?, 2) dtype=float32>

[<tf.Variable 'dense_1/kernel:0' shape=(3, 2) dtype=float32_ref>,
 <tf.Variable 'dense_1/bias:0' shape=(2,) dtype=float32_ref>]

什么是张量？

# 定义秩为2的张量（2维）
T2 = [[1,2,3],
      [4,5,6],
      [7,8,9]]

# 定义秩为3的张量（3维）
T3 = [[1,2,3],
      [4,5,6],
      [7,8,9],

      [10,11,12],
      [13,14,15],
      [16,17,18],

      [19,20,21],
      [22,23,24],
      [25,26,27]]

# 导入 Keras 后端
import tensorflow.keras.backend as K

# 获取模型某层的输入与输出张量
inp = model.layers[0].input
out = model.layers[0].output

# 将层输入映射到输出的函数
inp_to_out = K.function([inp], [out])

# 传入输入，得到该第一层的输出
print(inp_to_out([X_train])

# X_train中每个样本的第一层输出
[array([[0.7, 0],...,[0.1, 0.3]])]

自编码器

自编码器的用例

降维：
- 将输入表示为更低维空间。
数据去噪：
- 以干净数据训练时，重建会过滤无关噪声。
异常检测：
- 遇到未见过的输入时重建较差。
…

构建一个简单自编码器

# 实例化顺序模型
autoencoder = Sequential()

# 添加4个神经元的隐藏层与100维输入层
autoencoder.add(Dense(4, input_shape=(100,), activation='relu'))

# 添加100个神经元的输出层
autoencoder.add(Dense(100, activation='sigmoid'))

# 使用合适的损失编译模型
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

拆分出编码器

# 构建单独的编码器模型
encoder = Sequential()
encoder.add(autoencoder.layers[0])

# 预测返回隐藏层4个神经元的输出
encoder.predict(X_test)

# X_test中每条样本的4个数
array([10.0234375, 5.833543, 18.90444, 9.20348],...)

让我们来试试！

Keras 深度学习入门