def aebuilder(nodes):
layers = len(nodes)
ae = autoencoder()
for i in range(layers - 1):
ae.add_one(nn([nodes[i], nodes[i + 1], nodes[i]]))
return ae
def aebuilder(nodes): # layers：第一个层的node数与每个样本的维度相等 layers = len(nodes) ae = autoencoder() for i in range(layers-1): ae.add_one(nn([nodes[i], nodes[i+1], nodes[i]])) return ae
def aebuilder(nodes):
# layers：第一个层的node数与每个样本的维度相等
layers = len(nodes)
ae = autoencoder()
for i in range(layers - 1):
ae.add_one(nn([nodes[i], nodes[i + 1], nodes[i]]))
return ae
def aebuilder(nodes):
layers = len(nodes)
ae = autoencoder()
for i in range(layers-1):
ae.add_one(nn([nodes[i],nodes[i+1],nodes[i]]))
return ae
[0],
[1],
[0],
[1],
[0],
[1],
[1],
[0]])
###################### 建立autoencoder ######################
# 此处设为两层autoencoder（隐含层为2），每层分别包含3，2个node，第一个元素5为样本的维数
nodes=[5,800,20]
# 建立auto框架
ae = util.aebuilder(nodes)
# 训练，设置部分参数
ae = util.aetrain(ae, x, 6000)
###################### 微调 ######################
# 建立完全体的autoencoder，数组[5,3,2,1]中
# 第一个元素表示样本的维度（输入层的node数）
# 最后一个元素（输出层的node数）为样本的预测值维度，
# 中间部分的元素为隐含层的node数
nodescomplete = np.array([5,800,20,1])
aecomplete = nn(nodescomplete)
# 将encoder后的隐含层添加到最终的网络中
for i in range(len(nodescomplete)-2):
aecomplete.W[i] = ae.encoders[i].W[0]
aecomplete = util.nntrain(aecomplete, x, y, 10000)
print aecomplete.values[3]
print sum(abs(aecomplete.values[3]-y))/len(y)
from bean import autoencoder, nn
import numpy as np
x = np.array([[0, 0, 1, 0, 0], [0, 1, 1, 0, 1], [1, 0, 0, 0,
1], [1, 1, 1, 0, 0],
[0, 1, 0, 1, 0], [0, 1, 1, 1, 1], [0, 1, 0, 0, 1],
[0, 1, 1, 0, 1], [1, 1, 1, 1, 0], [0, 0, 0, 1, 0]])
y = np.array([[0], [1], [0], [1], [0], [1], [0], [1], [1], [0]])
#################################
# step1 建立autoencoder
# 弄两层autoencoder
nodes = [5, 3, 2]
# 建立auto框架
ae = util.aebuilder(nodes)
# 设置部分参数
# 训练
ae = util.aetrain(ae, x, 6000)
##############################
# step2 微调
# 建立完全体的autoencoder
nodescomplete = np.array([5, 3, 2, 1])
aecomplete = nn(nodescomplete)
for i in range(len(nodescomplete) - 2):
aecomplete.W[i] = ae.encoders[i].W[0]
aecomplete = util.nntrain(aecomplete, x, y, 6000)
print aecomplete.values[3]
