Neural network 无法使此自动编码器网络正常工作（使用卷积层和maxpool层）

网络似乎比普通的分类器MLP网络更复杂。经过几次尝试，使用我在重构输出中获得的所有内容，最接近于数据库中所有图像的模糊平均值，而不区分输入数字的实际内容

我选择的网络结构是以下级联层：

输入层（28x28）

二维卷积层，滤波器尺寸7x7

最大池层，尺寸3x3，跨步2x2

密集（完全连接）平整层，10台（这是瓶颈）

密集（完全连接）层，121个单元

将层重塑为11x11

二维卷积层，滤波器尺寸3x3

二维放大图层系数2

二维卷积层，滤波器尺寸3x3

二维放大图层系数2

二维卷积层，滤波器尺寸5x5

功能最大池（从31x28x28到28x28）

所有的二维卷积层都有无偏、乙状激活和31个滤波器

所有完全连接的层都有乙状激活

使用的损失函数为，更新函数为。学习块的长度是100个样本，乘以1000个时代

为了完整起见，以下是我使用的代码：

将无张量导入为T
进口茶
导入系统
sys.path.insert（0'。/千层面'）#千层面的本地签出
进口千层面
从theano进口pp
从无导入函数
导入gzip
将numpy作为np导入
从sklearn.preprocessing导入OneHotEncoder
将matplotlib.pyplot作为plt导入
def load_mnist（）：
def load_mnist_图像（文件名）：
将gzip.open（文件名'rb'）作为f：
data=np.frombuffer（f.read（），np.uint8，offset=16）
#现在，输入是矢量，我们将其重塑为单色2D图像，
#遵循形状约定：（示例、通道、行、列）
数据=数据。重塑（-1,1,28,28）
#输入以字节形式出现，我们将其转换为[0,1]范围内的float32。
#（实际范围为[0255/256]，以便与版本兼容
#提供于http://deeplearning.net/data/mnist/mnist.pkl.gz.)
返回数据/np.float32（256）
def加载列表标签（文件名）：
#阅读Yann LeCun二进制格式的标签。
将gzip.open（文件名'rb'）作为f：
data=np.frombuffer（f.read（），np.uint8，offset=8）
#标签现在是整数向量，这正是我们想要的。
返回数据
X_train=加载列表图像（'train-images-idx3-ubyte.gz'））
y_train=加载列表标签（'train-labels-idx1-ubyte.gz'）
X_测试=加载列表图像（'t10k-images-idx3-ubyte.gz'）
y_测试=加载列表标签（'t10k-labels-idx1-ubyte.gz'）
返回X_列，y_列，X_测试，y_测试
def plot_过滤器（转换层）：
W=conv_layer.get_params（）[0]
W_fn=编号函数（[]，W）
参数=W_fn（）
ks=np.挤压（参数）
kstack=np.vstack（ks）
plt.imshow（kstack，interpolation='none'）
plt.show（）
def main（）：
#theano.config.exception\u verbosity=“高”
#theano.config.optimizer='None'
X_列，y_列，X_测试，y_测试=负载列表（）
ohe=OneHotEncoder（）
y_列=ohe.fit_变换（np.expand_dims（y_列，1））.toarray（）
区块长度=100
visamount=10
num_epochs=1000
num_filters=31
辍学率p=0.0
打印“X_train.shape”，X_train.shape，“y_train.shape”，y_train.shape
输入变量=T.tensor4（'X'）
输出变量=T.tensor4（'X'）
conv_非线性=千层面、非线性、乙状结肠
net=lasagne.layers.InputLayer（（chunk\u len，1,28,28），input\u var）
conv1=net=lasagne.layers.Conv2DLayer（net，num_过滤器，（7,7），非线性=conv_非线性，unte_偏差=True）
net=lasagne.layers.MaxPool2DLayer（net，（3,3），stride=（2,2））
净=千层面.layers.DropoutLayer（净，p=辍学）
#conv2_层=千层面.layers.Conv2DLayer（脱落层，num_过滤器，（3,3），非线性=conv_非线性）
#pool2_层=千层面。层。MaxPool2DLayer（conv2_层，（3,3），跨步=（2,2））
net=千层面.layers.DenseLayer（net，10，非线性=千层面.nonlinearities.sigmoid）
#增强层1=千层面.layers.DenseLayer（减少层，33，非线性=千层面.nonlinearities.sigmoid）
net=lasagne.layers.DenseLayer（net，121，非线性=lasagne.nonlinearities.sigmoid）
净=千层面.层.重塑层（净，（块，1,11,11））
net=lasagne.layers.Conv2DLayer（net，num_过滤器，（3,3），非线性=conv_非线性，unte_偏差=True）
净=千层面.layers.Upscale2DLayer（净，2）
net=lasagne.layers.Conv2DLayer（net，num_过滤器，（3,3），非线性=conv_非线性，unte_偏差=True）
#pool_after0=千层面。layers.MaxPool2DLayer（conv_after1，（3,3），步长=（2,2））
净=千层面.layers.Upscale2DLayer（净，2）
净=千层面.layers.DropoutLayer（净，p=辍学）
#conv_after2=千层面.layers.Conv2DLayer（高档层1，num_过滤器，（3,3），非线性=conv_非线性，无偏差=真）
#pool_after1=千层面。layers.MaxPool2DLayer（conv_after2，（3,3），stride=（1,1））
#高档次2层=千层面。层。高档次2层（泳池1,4后）
net=lasagne.layers.Conv2DLayer（net，num_过滤器，（5,5），非线性=conv_非线性，unte_偏差=True）
net=lasagne.layers.FeaturePoolLayer（net，num\u过滤器，pool\u函数=theano.tensor.max）
打印“输出形状：”，千层面。图层。获取输出形状（净）
params=千层面。layers.get_all_参数（net，trainable=True）
预测=千层面。层。获取输出（净）
损失=千层面。目标。平方误差（预测，输出值）
#损失=千层面。目标。二元交叉熵（预测，输出值）
累计损失=千层面。目标。累计（损失）
updates=lasagne.updates.adagrad（聚合损失，参数）
序列号=编号功能（[输入变量，输出变量]，丢失，更新=更新）
测试预测=千层面