autoencoder自编码器tensorflow代码

# -*- coding: utf-8 -*-

from __future__ import division print_function absolute_import

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

# Import MNIST data
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets（“MNIST_data“ one_hot=True）

# Parameters
learning_rate = 0.01
training_epochs = 20
batch_size = 256
display_step = 1
examples_to_show = 10

# Network Parameters
n_hidden_1 = 256 # 1st layer num features
n_hidden_2 = 128 # 2nd layer num features
n_input = 784 # MNIST data input （img shape: 28*28）

# tf Graph input （only pictures）
X = tf.placeholder（“float“ [None n_input]）

weights = {
    ‘encoder_h1‘: tf.Variable（tf.random_normal（[n_input n_hidden_1]））
    ‘encoder_h2‘: tf.Variable（tf.random_normal（[n_hidden_1 n_hidden_2]））
    ‘decoder_h1‘: tf.Variable（tf.random_normal（[n_hidden_2 n_hidden_1]））
    ‘decoder_h2‘: tf.Variable（tf.random_normal（[n_hidden_1 n_input]））
}
biases = {
    ‘encoder_b1‘: tf.Variable（tf.random_normal（[n_hidden_1]））
    ‘encoder_b2‘: tf.Variable（tf.random_normal（[n_hidden_2]））
    ‘decoder_b1‘: tf.Variable（tf.random_normal（[n_hidden_1]））
    ‘decoder_b2‘: tf.Variable（tf.random_normal（[n_input]））
}


# Building the encoder
def encoder（x）:
    # Encoder Hidden layer with sigmoid activation #1
    layer_1 = tf.nn.sigmoid（tf.add（tf.matmul（x weights[‘encoder_h1‘]）
                                   biases[‘encoder_b1‘]））
    # Decoder Hidden layer with sigmoid activation #2
    layer_2 = tf.nn.sigmoid（tf.add（tf.matmul（layer_1 weights[‘encoder_h2‘]）
                                   biases[‘encoder_b2‘]））
    return layer_2


# Building the decoder
def decoder（x）:
    # Encoder Hidden layer with sigmoid activation #1
    layer_1 = tf.nn.sigmoid（tf.add（tf.matmul（x weights[‘decoder_h1‘]）