AutoEncoder（Tensorflow公式）で遊んだ
AutoEncoderとは
AutoEncoderとは、NNを用いて次元削減する手法です。自己符号化器とも呼ばれます。
詳細、仕組みは以下の参考サイトに非常に分かりやすく説明してあります。
artificial-intelligence.hateblo.jp
事前準備
AutoEncoder（Tensorflow公式）で遊んでみました。
AutoEncoder開発環境を構築するためには、事前に以下のアプリ／モジュールをインストールしておく必要があります。
- Python3
- numpy==1.15.1
- Pillow==5.3.0
- Tensorflow
- scikit-learn
- matplotlib
また、GPU（NVIDIA社製）を使用する場合は、CUDAやcuDNN等のインストールが必要になります。
なお、ここではそれぞれのインストール方法等は省略します。
AutoencoderRunner.py実行準備
オートエンコーダを実行する時はAutoencoderRunner.pyを実行することになります。
デフォルトの設定でも実行可能ですが、AutoencoderRunner.pyのコードでエポック数、バッチサイズを調整します。
今回はAutoencoderRunner.pyの最後に以下を書き加えて結果を画像で出力できるようにします。
ここではreconstruct(X_test)を用いて再構成を行っています。
AutoencoderRunner.py実行
コマンドでAutoencoderRunnerを実行します。
|
python AutoencoderRunner.py |
実行すると学習が始まり、以下のようになると思います。
Total costが表示されると処理が終了します。
またtest画像とその生成（再構成）画像の結果の画像をそれぞれ10枚ずつの画像test.jpg、result.jpgが保存されます。
先ほどはreconstruct( X )を用いて再構成（エンコード→デコード）を行いました。
エンコード（圧縮）だけを実行するにはtransformを用いて
と書いてエンコードします。
xは以下のようになります。
これを再びデコード（構成）するにはgenerateを用いて
と書いてデコードします。
aは以下のようになります。
reconstructを用いたときと同様に実行してみます。
reconstructを実行したときと同じ結果になります。
また、AutoencoderRunner.pyの34行目
autoencoder = Autoencoder(n_layers=[784, 200],
transfer_function = tf.nn.softplus,
optimizer = tf.train.AdamOptimizer(learning_rate = 0.001))
n_layers=[784, 200]の
784は入力サイズ（今回MNISTで28×28=784の画像）
200は隠れ層のユニット数を表している。この隠れ層のユニット数を変えることにより削減する次元を調整できるという訳です。
またAutoencoderはMNISTだけでなく独自データに対しても学習を実行できます。ここではやり方は省略します。
