AI学习笔记——Autoencoders(自编码器)

Autoencoder 的基本概念

之前的文章介绍过机器学习中的监督学习和非监督学习，其中非监督学习简单来说就是学习人类没有标记过的数据。对于没有标记的数据最常见的应用就是通过聚类(Clustering)的方式将数据进行分类。对于这些数据来说通常有非常多的维度或者说Features。如何降低这些数据的维度或者说“压缩”数据，从而减轻模型学习的负担，我们就要用到Autoencoder了。

用Autoencoder 给数据“压缩”和降维不仅能够给机器“减压”，同时也有利于数据的可视化（人类只能看懂三维的数据）。

Autoencoder 实际上跟普通的神经网络没有什么本质的区别，分为输入层，隐藏层和输出层。唯一比较特殊的是，输入层的输入feature的数量（也就是神经元的数量）要等于输出层。同时要保证输入和输出相等。

结构大概就是如图所示

因为输出要等于输入，所以中间的每一层都最大程度地保留了原有的数据信息，但是由于神经元个数发生了变化，数据的维度也就发生了变化。比如上图的中间层（第三层）只有两个神经元，那么这一层输出的结果实际上就是二维的数据结构。我们就可以用这一层的输出结果进行无监督学习分类，或者做视觉化的展示。

简化的Autoencoder

对于Autoencoder从输入层到最中间层的数据处理过程叫做数据编码（Encode）过程，从中间层到输出层则为解码(Decode)过程，最后保证输出等于输入。

Autoencoder的隐藏层可以是多层也可以是单层，这里我用一个只有一层隐藏层的Autoencoder的实例来介绍Autoencoder.

Autoencoder实例代码

1、导入需要用到的库

import numpy as npimport matplotlib.pyplot as plt
%matplotlib inline

2、创建一个三维的数据

这里用sklearn 的一个make_blobs的工具创造有两个聚集点的三维数据

from sklearn.datasets import make_blobs
data = make_blobs(n_samples=100, n_features=3,centers=2,random_state=101)

数据长这个样子

注意data[0]是100x3的数据（100个点，3个features(维度)）

3. 搭建神经网络

下面用Tensorflow Layers来搭一个三层的全连接的神经网路，输入层，隐藏层和输出层的神经元个数分别是3，2，1。

import tensorflow as tffrom tensorflow.contrib.layers import fully_connected

num_inputs = 3  # 3 dimensional inputnum_hidden = 2  # 2 dimensional representation num_outputs = num_inputs # Must be true for an autoencoder!learning_rate = 0.01

Placeholder,Layers,Loss Function 和 Optimizer

#PlaceholderX = tf.placeholder(tf.float32, shape=[None, num_inputs])#Layershidden = fully_connected(X, num_hidden, activation_fn=None)
outputs = fully_connected(hidden, num_outputs, activation_fn=None)#Loss Functionloss = tf.reduce_mean(tf.square(outputs - X))  # MSE#Optimizeroptimizer = tf.train.AdamOptimizer(learning_rate)
train  = optimizer.minimize( loss)#Initinit = tf.global_variables_initializer()

4. 训练神经网络

num_steps = 1000with tf.Session() as sess:
    sess.run(init)    
    for iteration in range(num_steps):
        sess.run(train,feed_dict={X: scaled_data})        
    # Now ask for the hidden layer output (the 2 dimensional output)
    output_2d = hidden.eval(feed_dict={X: scaled_data})

注意：output_2d就是中间层输出的结果，这是一个二维（100x2）的数据。

这个数据长这个样子

4.总结

从上面的例子可以看到，Autoencoder 不是简单地去掉一个维度，而是通过编码的过程将数据“压缩”到二维。这些数据通过解码过程可以再次在输出层输出三维的数据，并且保留了元数据的两个积聚点。

上面只是一个非常简单的将三维数据通过Autoencoder降到二维空间，当数据的feature 太多的时候，通过Autoencoder 就可以在最大限度保留原数据的信息并降低源数据的维度。

作者：Hongtao洪滔
链接：https://www.jianshu.com/p/eacb36e201df