21世紀之後,數學家證明了我們擷取的很多資料,可以分解為空白間中少數幾個基的組合,且組合係數很多為0;亦或者說,大部分資料的主要內容可以由少數幾個空間基組成。這就是資料的稀疏特徵,是壓縮感知的基礎。基於這個原理誕生了資料壓縮方法,檢測方法。這些方法很多都基於最佳化理論,在大資料處理上,相比傳統的方法,比如PCA,在計算複雜度上有很大的提升。稀疏自編碼是其中一種資料壓縮方法。
稀疏編碼的公式為: argminJ=12(I−AX)2+λ|A| argmin J = \frac{1}{2}(I-AX)^2+\lambda|A|A和X都是需要最佳化的項。設原圖大小為mxn,我們認為的基的個數為l,那麼A大小為mxl,X大小為lxn,A和X都未知,這是一個雙盲最佳化問題。其中L1正則化用於最佳化基,其實也可以用L2正則化來算,收斂的要快一些。下面是L2正則化的代碼:
def getloss(latent): with tf.device('/cpu:0'): initial = tf.random_normal([252,latent]) * 0.256 A = tf.Variable(initial) initial = tf.random_normal([latent,252]) * 0.256 Phi = tf.Variable(initial) IMG=tf.placeholder("float", shape=[252,252]) mu = 0.0001 sparse = tf.matmul(A,Phi) #print(sparse.get_shape()) loss = sparse - IMG loss = tf.reshape(loss,[252*252,-1]) A_ravel = tf.reshape(A,[latent*252,-1]) loss = 1./(252.*252.)*tf.nn.l2_loss(loss) regloss = loss+mu*tf.reduce_mean(tf.abs(A_ravel))#L1#tf.nn.l2_loss(A_ravel)#L2 return regloss,loss,IMG,sparse
然後分別設latent為20和50,得到結果
源碼:https://github.com/artzers/MachineLearning/blob/master/Tensorflow/SparseCode.ipynb