
# MNIST를 읽어들이고요
import numpy as np
from keras.datasets import mnist
(x_train, _), (x_test, _) = mnist.load_data()

# MNIST 데이터를 정규화 하고요, 784로 맞춰 주고요
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), 784)) 
x_test = x_test.reshape((len(x_test), 784))
print (x_train.shape)
print (x_test.shape)

2024-01-27 16:14:20.690388: I tensorflow/stream_executor/platform/default/dso_loader.cc:48] Successfully opened dynamic library libcudart.so.10.1

(60000, 784)
(10000, 784)


입력데이터를 읽어들였고, 이제는 AutoEncoder 모형을 만들어 봅시다.


from keras.layers import Input, Dense
from keras.models import Model
import tqdm

# 인코딩 된 후의 Laten Vector의 크기
encoding_dim = 32 

# AutoEncoder의 입력에 퍼셉트론 신경망 1개, 출력에 퍼센트론 신경망 1개로 구성!
input_img = Input(shape=(784,), name='input')
encoded = Dense(encoding_dim, activation='relu', name='encoder')(input_img)
decoded = Dense(784, activation='sigmoid', name='decoder')(encoded)

# AutoEncoder를 정의
autoencoder = Model(input_img, decoded)


# AutoEncoder의 Encoder와 Decoder를 각각 Model로 만들어 놓음시다. 
# 이것은 재미있는 결과를 하나 더 보려고 하는 건데요. 일단 만들어 둡시다. 
encoder = Model(input_img, encoded)

encoded_input = Input(shape=(encoding_dim,), name='encoder_input')
decoder_layer = autoencoder.layers[-1] # autoencoder의 마지막 layer가 decoder잖아요?
decoder = Model(encoded_input, decoder_layer(encoded_input))


# AutoEncoder를 compile해서 학습을 시켜 봅시다. 
autoencoder.compile(optimizer='adam', loss='binary_crossentropy')


import tensorflow_addons as tfa
import tqdm

autoencoder.fit(x_train, x_train,
                epochs=50,
                batch_size=256,
                shuffle=True,
                verbose=0,
                validation_data=(x_test, x_test))


# MNIST의 숫자들을 AutoEncoder를 통해서 인코딩 / 디코딩해서 학습된 AutoEncoder를 동작시킴!
decoded_imgs = autoencoder.predict(x_test)


# Matplotlib 사용해서 Test데이터를 제대로 Decoding하는지 함 봅시다. 
import matplotlib.pyplot as plt
from random import randint

n = 10  # 몇 개의 숫자를 나타낼 것인지
plt.figure(figsize=(20, 4))
for i in range(n):
    idx = randint(0, len(x_test))
    # 원본 데이터
    ax = plt.subplot(2, n, i + 1)
    plt.imshow(x_test[idx].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)

    # 재구성된 데이터
    ax = plt.subplot(2, n, i + 1 + n)
    plt.imshow(decoded_imgs[idx].reshape(28, 28))
    plt.gray()
    ax.get_xaxis().set_visible(False)
    ax.get_yaxis().set_visible(False)
plt.show()


import numpy as np
import random

plt.figure(figsize=(5, 3))

# latent random vector를 32짜리 만들고,
latent = np.array([random.random() for i in range(32)]).reshape(1,32)

# decoder에 latent vector를 넣습니다. 
generated = decoder.predict(latent)#.reshape(28,28)

# 당연히 그려봐아죠.
plt.imshow(generated[0].reshape(28, 28))
plt.show()


[[0.56753204 0.94368045 0.21400637 0.9332447  0.2913995  0.07925668
  0.11293001 0.66696223 0.7373406  0.69876503 0.97945764 0.16466649
  0.92705805 0.1076675  0.30283673 0.45089712 0.38488941 0.44721336
  0.96099704 0.23669158 0.25621634 0.95918701 0.12784121 0.08946924
  0.41738586 0.66790835 0.73291592 0.23469399 0.47582001 0.63705097
  0.18545611 0.22581379]]

티스토리툴바