Keras自动编码器分类

我试图找到一个有用的代码，以提高分类使用自动编码器。 我遵循这个例子 但不是针对MNIST数据，我尝试将其用于cifar-10

所以我做了一些改变，但似乎有些不合适。 谁能帮我一下吗？ 如果您有另一个可以在不同数据集中运行的示例，这将有所帮助

reduced.fit（X_测试，Y_测试）中的验证未被学习，因此它在.evalute（）中给出了wronf精度 总是给予 val_损失：2.3026-val_acc:0.1000 这是代码和错误：

rom keras.dataset导入cifar10
从keras.models导入模型
从keras.layers导入输入，密集
从keras.utils导入np_utils
将numpy作为np导入
列车数量=50000
num_测试=10000
高度、宽度、深度=32、32、3#列表图像为28x28
num_classes=10#共有10个类（每个数字1个）
（X_列，y_列），（X_测试，y_测试）=cifar10.负载数据（）
X_系列=X_系列。重塑（数量系列，高度*宽度*深度）
X_测试=X_测试。重塑（数量测试，高度*宽度*深度）
X_-train=X_-train.astype（'float32'）
X_test=X_test.astype（'float32'）
X_序列/=255#将数据归一化到[0,1]范围
X_测试/=255#将数据归一化到[0,1]范围
Y_train=np_utils.to_category（Y_train，num_classes）#一个热编码标签
Y_test=np_utils.to_category（Y_test，num_classes）#一个热编码标签
输入=输入（形状=（高度*宽度*深度，）
s=高度*宽度*深度
x=密集（s，激活='relu'）（输入\u img）
编码=密集（s//2，激活='relu'）（x）
编码=密集（s//8，activation='relu'）（编码）
y=密集（s//256，激活='relu'）（x）
解码=密集（s//8，激活='relu'）（y）
解码=密集（s//2，激活='relu'）（解码）
z=密集（s，激活='sigmoid'）（解码）
模型=模型（输入，z）
model.compile（优化器='adadelta'，loss='mse'）#报告准确性
模型装配（X_系列，X_系列，
nb_epoch=10，
批次大小=128，
洗牌=正确，
验证数据=（X检验，X检验）
mid=模型（输入值，y）
简化表示法=中期预测（X_检验）
out=密集型（num_类，activation='softmax'）（y）
简化=模型（输入、输出）
reduced.compile（loss='classifical_crossentropy'，
优化器='adam'，
指标=[‘准确度’]）
缩小尺寸（X_系列、Y_系列、，
nb_epoch=10，
批次大小=128，
洗牌=正确，
验证数据=（X_检验，Y_检验）
分数=减少。评估（X_测试，Y_测试，详细=0）
打印（“准确度：”，分数[1]）

培训50000个样本，验证10000个样本
纪元1/10
50000/50000[================================================]-5s-损失：0.0639-价值损失：0.0633
纪元2/10
50000/50000[======================================================]5s-损失：0.0610-价值损失：0.0568
纪元3/10
50000/50000[================================================]-5s-损失：0.0565-价值损失：0.0558
纪元4/10
50000/50000[================================================]-5s-损失：0.0557-价值损失：0.0545
纪元5/10
50000/50000[================================================]-5s-损失：0.0536-价值损失：0.0518
纪元6/10
50000/50000[=============================================]-5s-损失：0.0502-价值损失：0.0461
纪元7/10
50000/50000[=============================================]-5s-损失：0.0443-价值损失：0.0412
纪元8/10
50000/50000[=============================================]-5s-损失：0.0411-价值损失：0.0397
纪元9/10
50000/50000[======================================================]5s-损失：0.0391-价值损失：0.0371
纪元10/10
50000/50000[================================================]-5s-损失：0.0377-价值损失：0.0403
培训50000个样本，验证10000个样本
纪元1/10
50000/50000[========================================================================3秒-损失：2.3605-会计科目：0.0977-价值损失：2.3026-价值会计科目：0.1000
纪元2/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0952-价值损失：2.3026-价值会计科目：0.1000
纪元3/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0978-价值损失：2.3026-价值会计科目：0.1000
纪元4/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0980-价值损失：2.3026-价值会计科目：0.1000
纪元5/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0974-价值损失：2.3026-价值会计科目：0.1000
纪元6/10
50000/50000[=====================================================================3秒-损失：2.3027-附件：0.1000-价值损失：2.3026-价值附件：0.1000
纪元7/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0992-价值损失：2.3026-价值会计科目：0.1000
纪元8/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0982-价值损失：2.3026-价值会计科目：0.1000
纪元9/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0965-价值损失：2.3026-价值会计科目：0.1000
纪元10/10
50000/50000[========================================================================3秒-损失：2.3027-会计科目：0.0978-价值损失：2.3026-价值会计科目：0.1000
9856/10000[============================>.]-预计到达时间：0s（'准确度：'，0.100000000000001）

您的代码存在多个问题

您的自动编码器未完全训练，如果绘制训练数据，您将看到模型尚未收敛。借

history = model.fit(X_train, X_train,
nb_epoch=10,
batch_size=128,
shuffle=True,
validation_data=(X_test, X_test))

您将在培训期间获得损失值。如果绘制它们，例如在matplotlib中

import matplotlib.pyplot as plt
plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('model train vs validation loss 1')
plt.ylabel('loss')
plt.xlabel('epoch')
plt.legend(['train', 'validation'], loc='upper right')
plt.show()

你会发现它需要更多的时代来融合

自动编码器架构构建错误，第

y=densite（s//256，activation='relu'）（x）

行中存在打字错误，您可能想使用

y=densite（s//256，activation='linear'）（encoded）

，因此它使用前一层而不是输入。而且你也不想在潜在空间中使用relu激活，因为它不允许你从彼此之间减去潜在变量，从而使自动编码器的效率大大降低。 通过这些修复，模型解决了我们的问题

为了训练这两个网络，我将历代次数增加到30次，这样可以训练得更好。 在培训结束时，分类模型报告

损失：1.2881-acc:0.5397-val_损失：1.3841-val_acc:0.512