> input_img = Input(shape=(784,))
>encoded = Dense(encoding_dim,activation='relu')(input_img)
>decoded = Dense(784, activation='sigmoid')(encoded)
>autoencoder =Model(input_img, decoded)
我还通过]创建了一个单独的编码器模块>
encoder = Model(input_img, encoded)
以及解码器模型:
encoded_input = Input(shape=(32,)) # retrieve the last layer of the autoencoder model decoder_layer = autoencoder.layers[-1] # create the decoder model decoder = Model(encoded_input, decoder_layer(encoded_input))
然后我训练了模型
autoencoder.fit(x_train, x_train, epochs=50, batch_size=256, shuffle=True, validation_data=(x_test, x_test))
但是,即使我没有训练我的编码器和解码器,即使我在训练之前通过了这些层,它们仍在共享自动编码器的权重。我只训练了编码器,但是编码器和解码器都受到了训练。
encoded_imgs = encoder.predict(x_test) decoded_imgs = decoder.predict(encoded_imgs)
我试图使用Keras构建一个简单的Autoencoder,为此,我从单个完全连接的神经层作为编码器和解码器开始。 > input_img =输入(shape =(784,))>已编码= ...