Autoencoders(自编码器)

一、总结

一句话总结：

a)、【无监督学习】：自编码器是一种能够通过无监督学习，学到输入数据高效表示的人工神经网络。

b)、【输出与输入数据相似生成模型】：此外，自编码器还可以随机生成与训练数据类似的数据，这被称作生成模型（generative model）。比如，可以用人脸图片训练一个自编码器，它可以生成新的图片。

1、Autoencoder 的基本概念？

①、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。

②、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。

③、对于这些数据来说通常有非常多的维度或者说Features。

④、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。

2、Autoencoder在可视化方面的应用？

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）

3、Autoencoder和普通的神经网络的区别？

(a)、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。

(b)、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。看图易知。

4、Autoencoder 输入要等于输出理解？

(A)、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，

(B)、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。

(C)、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。

5、Autoencoder 的编码和解码过程？

(1)、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，

(2)、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。

6、Autoencoder 的3维降2维的例子说明？

一、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。

二、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。

二、Autoencoders(自编码器)

转自或参考：https://www.jianshu.com/p/eacb36e201df

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 np
import 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3，2，3。

import tensorflow as tf
from tensorflow.contrib.layers import fully_connected

num_inputs = 3  # 3 dimensional input
num_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

#Placeholder
X = tf.placeholder(tf.float32, shape=[None, num_inputs])
#Layers
hidden = fully_connected(X, num_hidden, activation_fn=None)
outputs = fully_connected(hidden, num_outputs, activation_fn=None)
#Loss Function
loss = tf.reduce_mean(tf.square(outputs - X))  # MSE
#Optimizer
optimizer = tf.train.AdamOptimizer(learning_rate)
train  = optimizer.minimize( loss)
#Init
init = tf.global_variables_initializer()

4. 训练神经网络

num_steps = 1000

with 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。