卷积自编码去噪-tensorflow实现

tensorflow下构建三层卷积层，三层反卷积层实现卷积自编码，针对系数为0.5的高斯噪声亦有较好效果，可通过tensorboard查看输入输出图像

from tensorflow.examples.tutorials.mnist import input_data
import tensorflow as tf
import numpy as np
import utils
mnist = input_data.read_data_sets（“MNIST_data/“ one_hot=True）
sess = tf.InteractiveSession（）
batch_size = 256
noise_scale = 0.5
def weights_variable（shape）:
    initial = tf.truncated_normal（shape stddev=0.1）
    return tf.Variable（initial）

def bias_variable（shape）:
    initial = tf.constant（0.1 shape=shape）
    return  tf.Variable（initial）

#strides 第一个参数：batch上的步长，第二个：height上的步长，第三个：weights上的步长，第四个：channel上的步长
def conv2d（x W）:
    return tf.nn.conv2d（x W strides=[1 1 1 1] padding=‘SAME‘）

def deconv2d（x W output）:
    return tf.nn.conv2d_transpose（x W output strides=[1 2 2 1] padding=‘SAME‘）
#ksize 第一个参数：batch上的池化，第二个：height上的池化，第三个：weights上的池化，第四个：channel上的池化
def max_pool_2x2（x）:
    return tf.nn.max_pool（x ksize=[1 2 2 1] strides=[1 2 2 1] padding=‘SAME‘）


x = tf.placeholder（tf.float32 [None 784] name=‘input‘）
x_noise = tf.placeholder（tf.float32 [None 784] name=‘input‘）
#y_ = tf.placeholder（tf.float32 [None 10]）
#-1代表样本数量不固定，最后的1代表颜色通道数量
x_image = tf.reshape（x [-1 28 28 1]）
x_image_noise = tf.reshape（x_noise [-1 28 28 1]）
#编码
W_conv1 = weights_variable（[3 3 1 64]）
b_conv1 = bias_variable（[64]）
h_conv1 = tf.nn.relu（conv2d（x_image_noise W_conv1） + b_conv1 name=‘noise_layer‘）
h_pool1 = max_pool_2x2（h_conv1）
W_conv2 = weights_variable（[3 3 64 64]）
b_conv2 = bias_variable（[64]）
h_conv2 = tf.nn.relu（conv2d（h_pool1 W_conv2） + b_conv2）
h_pool2 = max_pool_2x2（h_conv2）
W_conv3 = weights_variable（[3 3 64 32]）
b_conv3 = bias_variable（[32]）
h_conv3 = tf.nn.relu（conv2d（h_pool2 W_conv3） + b_conv3）
h_pool3 = max_pool_2x2（h_conv3）
#解码
W_deconv1 = weights_variable（[3 3 32 32]）
h_deconv1 = deconv2d（h_pool3 W_deconv1 [batch_size 7 7 32]）
W_deconv2 = weights_variable（[3 3 64 32]）
h_deconv2 = deconv2d（h_deconv1 W_deconv2 [batch_size 14 14 64]）
W_deconv3 = weights_variable（[3 3 64 64]）
h_deconv3 = deconv2d（h_deconv2 W_deconv3 [batch_size 28 28 64]）
#卷积层
W_conv_final = weights_variable（[3 3 64 1]）
b_conv_final = bias_variable（[1]）
h_conv_final = tf.nn.bias_add（conv2d（h_deconv3 W_conv_final） b_conv_final name=‘output_layer‘）

#输出图像

output_img = tf.reshape（h_conv_final shape=[-1 28 28 1]）
output_img_fomat = utils.convert2int（output_img）
output = tf.reshape（h_conv_final shape=[-1 784]）
input = tf.reshape（x shape=[-1 784]）
#训练
cost = tf.reduce_mean（tf.pow（tf.subtract（output input） 2.0）） #计算平方误差
train_steps = tf.train.AdamOptimizer（0.001）.minimize（cost）
with tf.name_scope（‘images‘）:
    tf.summary.image（‘input‘ x_image 1）
    tf.summary.image（‘gaussian‘ x_image_noise 1）
    tf.summary.image（‘reconstruction‘ （output_img_fomat） 1）

merged = tf.summary.merge_all（）

n_samples = int（mnist.train.num_examples）
print（‘train samples: %d‘ % n_samples）
print（‘batch size: %d‘ % batch_size）

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2018-11-30 15:36  6_ConvAutoEncoder\
     文件        4245  2018-11-17 15:56  6_ConvAutoEncoder\6.py
     目录           0  2018-11-15 19:45  6_ConvAutoEncoder\MNIST_data\
     文件     1648877  2018-11-15 19:45  6_ConvAutoEncoder\MNIST_data\t10k-images-idx3-ubyte.gz
     文件        4542  2018-11-15 19:45  6_ConvAutoEncoder\MNIST_data\t10k-labels-idx1-ubyte.gz
     文件     9912422  2018-11-15 19:45  6_ConvAutoEncoder\MNIST_data\train-images-idx3-ubyte.gz
     文件       28881  2018-11-15 19:45  6_ConvAutoEncoder\MNIST_data\train-labels-idx1-ubyte.gz
     目录           0  2018-11-17 15:49  6_ConvAutoEncoder\__pycache__\
     文件        2219  2018-11-17 15:49  6_ConvAutoEncoder\__pycache__\utils.cpython-36.pyc
     目录           0  2018-11-17 16:03  6_ConvAutoEncoder\checkpoint_dir\
     文件     1453460  2018-11-17 16:03  6_ConvAutoEncoder\checkpoint_dir\CAEmodel.data-00000-of-00001
     文件        1290  2018-11-17 16:03  6_ConvAutoEncoder\checkpoint_dir\CAEmodel.index
     文件       84899  2018-11-17 16:03  6_ConvAutoEncoder\checkpoint_dir\CAEmodel.meta
     文件          73  2018-11-17 16:03  6_ConvAutoEncoder\checkpoint_dir\checkpoint
     目录           0  2018-11-15 20:17  6_ConvAutoEncoder\logs\
     目录           0  2018-11-15 20:17  6_ConvAutoEncoder\logs\mnist_with_summaries\
     目录           0  2018-11-30 15:39  6_ConvAutoEncoder\logs\mnist_with_summaries\test\
     目录           0  2018-11-30 15:39  6_ConvAutoEncoder\pred\
     文件        1735  2018-11-17 15:49  6_ConvAutoEncoder\utils.py