机器学习原理与应用电子教案 5.10.3深度学习实践-自动编码解码器

备课日期：年月日授课时间课时（理论+实验）周次星期:节次:授课课题深度学习[实践-自动编码解码器]教学目标1.理解自动编码解码基本原理。2.掌握利用PyTorch框架实现自动编码解码的基本方法。教学重点利用PyTorch框架实现自动编码解码的基本方法。教学准备PPT、点名册等。教学方法指导阅读、案例法。教学过程设计备注课题引入【思考】无监督学习？特征提取方法？【关键】利用自动编码解码器提取图像特征。【时间】分钟。教学步骤及主要内容【主板书】§5.10.3自动编码解码器---------------------------------------------------------------------------一、基本原理【主板书】基本原理1.主要功能：自动编码器就是一种尽可能复现输入信号的神经网络；而为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素。2.主要特点。（1）属于无监督学习。（2）通过层级串接可提取图像不同尺度的特征。（3）输出结果可输入至指定分类器（如支持向量机）进行分类。〖PPT〗演示：图示原理。3.模型构建与求解〖PPT〗演示：利用MNIST手写数字图像实现自动编码器的实现方法。1.导入库importtorchimporttorch.nnasnnfromtorch.autogradimportVariablefromtorch.utils.dataimportDataLoaderfromtorchvisionimportdatasets,transformsimportmatplotlib.pyplotasplt2.产生数据train_dataset=datasets.MNIST(root='./data/',train=True,transform=transforms.ToTensor(),download=False)test_dataset=datasets.MNIST(root='./data',train=False,transform=transforms.ToTensor())train_loader=DataLoader(dataset=train_dataset,batch_size=batch_size,shuffle=True)test_loader=DataLoader(dataset=test_dataset,batch_size=batch_size,shuffle=False)3.构建自动编码解码器#定义自编码器类classAutoEncoder(nn.Module):def__init__(self):super(AutoEncoder,self).__init__()#编码self.encoder=nn.Sequential(nn.Linear(28*28,128),nn.Tanh(),nn.Linear(128,64),nn.Tanh(),nn.Linear(64,12),nn.Tanh(),nn.Linear(12,3),)#解码self.decoder=nn.Sequential(nn.Linear(3,12),nn.Tanh(),nn.Linear(12,64),nn.Tanh(),nn.Linear(64,128),nn.Tanh(),nn.Linear(128,28*28),nn.Sigmoid(),)defforward(self,x):encoded=self.encoder(x)decoded=self.decoder(encoded)returnencoded,decoded#实例化自编码器对象autoencoder=AutoEncoder()4.训练自动编码解码器#定义损失函数Loss=nn.BCELoss()#二类交叉熵损失函数#设定优化器Opt=torch.optim.SGD(net.parameters(),lr=1e-3,momentum=0.9)#开始训练T=1000X=Variable(x_train)Y=Variable(y_train)forepochinrange(T):Y_pred=net(X)#前向传播L=Loss(Y_pred,Y)Opt.zero_grad()#梯度清零L.backward()#反向传播Opt.step()#更新参数#计算预测精度Cla=Y_pred.ge(0.5).float()#以0.5为阈值进行分类Acc=(Cla==Y).float().mean()#计算精度#每10轮显示一次误差和精度if(epoch==0)|((epoch+1)%10==0):print('Epoch:[{}/{}],Loss:{:.4f},Accuracy:{:.4f}'.format(epoch+1,T,L.item(),Acc))5.测试自动编码解码器#读取真实图像x=test_dataset.data[1:2]im=x.numpy().reshape(28,28)plt.figure(1)plt.imshow(im,cmap='gray')#编码x_=Variable(x.view(-1,28*28).type(torch.FloatTensor)/255.)encoded_data,_=autoencoder(x_)#提取压缩的特征值#解码decoded_data=autoencoder.decoder(encoded_data)#结果显示plt.figure(2)decoded_im=decoded_