Tensors, layers และ autoencoders

Deep Learning เบื้องต้นด้วย Keras

Miguel Esteban

Data Scientist & Founder

การเข้าถึง Keras layers

# Acessing the first layer of a Keras model
first_layer = model.layers[0]

# Printing the layer, and its input, output and weights
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>]

Tensor คืออะไร?

# Defining a rank 2 tensor (2 dimensions)
T2 = [[1,2,3],
      [4,5,6],
      [7,8,9]]

# Defining a rank 3 tensor (3 dimensions)
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]]

# Import Keras backend
import tensorflow.keras.backend as K

# Get the input and output tensors of a model layer
inp = model.layers[0].input
out = model.layers[0].output

# Function that maps layer inputs to outputs
inp_to_out = K.function([inp], [out])

# We pass and input and get the output we'd get in that first layer
print(inp_to_out([X_train])

# Outputs of the first layer per sample in X_train
[array([[0.7, 0],...,[0.1, 0.3]])]

Autoencoders!

กรณีใช้งาน autoencoder

การลดมิติข้อมูล:
- แทนข้อมูล input ในรูปแบบที่มีมิติน้อยลง
การกำจัดสัญญาณรบกวน:
- หากฝึกด้วยข้อมูลที่สะอาด สัญญาณรบกวนที่ไม่เกี่ยวข้องจะถูกกรองออกในขั้นตอนการสร้างใหม่
การตรวจจับความผิดปกติ:
- เมื่อโมเดลได้รับข้อมูลที่ไม่เคยเห็นมาก่อน ผลการสร้างใหม่จะมีคุณภาพต่ำ
...

สร้าง autoencoder อย่างง่าย

# Instantiate a sequential model
autoencoder = Sequential()

# Add a hidden layer of 4 neurons and an input layer of 100
autoencoder.add(Dense(4, input_shape=(100,), activation='relu'))

# Add an output layer of 100 neurons
autoencoder.add(Dense(100, activation='sigmoid'))

# Compile your model with the appropiate loss
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')

แยกส่วน encoder

# Building a separate model to encode inputs
encoder = Sequential()
encoder.add(autoencoder.layers[0])

# Predicting returns the four hidden layer neuron outputs
encoder.predict(X_test)

# Four numbers for each observation in X_test
array([10.0234375, 5.833543, 18.90444, 9.20348],...)

มาฝึกกันเถอะ!

Deep Learning เบื้องต้นด้วย Keras