Question

假设我已经为MNist任务训练了一个模型，给出以下代码：

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("/tmp/data/", one_hot=True)

import tensorflow as tf

# Parameters
learning_rate = 0.001
training_epochs = 15
batch_size = 100
display_step = 1

# Network Parameters
n_hidden_1 = 256 # 1st layer number of features
n_hidden_2 = 256 # 2nd layer number of features
n_input = 784 # MNIST data input (img shape: 28*28)
n_classes = 10 # MNIST total classes (0-9 digits)

# tf Graph input
x = tf.placeholder("float", [None, n_input])
y = tf.placeholder("float", [None, n_classes])

weights = {
    'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])),
    'h2': tf.Variable(tf.random_normal([n_hidden_1, n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_hidden_2, n_classes]))
}
biases = {
    'b1': tf.Variable(tf.random_normal([n_hidden_1])),
    'b2': tf.Variable(tf.random_normal([n_hidden_2])),
    'out': tf.Variable(tf.random_normal([n_classes]))
}

# Create model
def multilayer_perceptron(x, weights, biases):
    # Hidden layer with RELU activation
    layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1'])
    layer_1 = tf.nn.relu(layer_1)
    # Hidden layer with RELU activation
    layer_2 = tf.add(tf.matmul(layer_1, weights['h2']), biases['b2'])
    layer_2 = tf.nn.relu(layer_2)
    # Output layer with linear activation
    out_layer = tf.matmul(layer_2, weights['out']) + biases['out']
    return out_layer

# Construct model
pred = multilayer_perceptron(x, weights, biases)
# Test model
correct_prediction = tf.equal(tf.argmax(pred, 1), tf.argmax(y, 1))
# Calculate accuracy
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))

# Define loss and optimizer
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=pred, labels=y))
optimizer = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cost)

# Initializing the variables
init = tf.global_variables_initializer()

# Launch the graph
with tf.Session() as sess:
    sess.run(init)
    # Training cycle
    for epoch in range(training_epochs):
        avg_cost = 0.
        avg_acc = 0.
        total_batch = int(mnist.train.num_examples/batch_size)
        # Loop over all batches
        for i in range(total_batch):
            batch_x, batch_y = mnist.train.next_batch(batch_size)
            # Run optimization op (backprop) and cost op (to get loss value)
            _, c = sess.run([optimizer, cost], feed_dict={x: batch_x, y: batch_y})
            batch_acc = accuracy.eval({x: batch_x, y: batch_y})
            # Compute average loss
            avg_cost += c / total_batch
            avg_acc += batch_acc / total_batch
        # Display logs per epoch step
        if epoch % display_step == 0:
            test_acc = accuracy.eval({x: mnist.test.images, y: mnist.test.labels})
            print(
                "Epoch:",
                '%04d' % (epoch+1),
                "cost=",
                "{:.9f}".format(avg_cost),
                "average_train_accuracy=",
                "{:.6f}".format(avg_acc),
                "test_accuracy=",
                "{:.6f}".format(test_acc)
            )
    print("Optimization Finished!")

因此，该模型预测给定图像的图像中显示的数字。一旦我训练了它，我可以输入一个变量＆＃39;而不是＆＃39;占位符＆＃39;并尝试对给定输出的输入进行反向工程设计？例如，我想提供输出＆＃39; 8＆＃39;并产生八号的代表性图像。

我想到了：

冻结模型
添加一个变量矩阵＆＃39; M＆＃39;与输入和权重之间的输入大小相同
将相同的矩阵作为输入提供给输入占位符
运行优化程序以了解“＆＃39; M＆＃39;基质

有更好的方法吗？

Answer 1

如果您的目标是在输入应该是数字并且输出显示该数字的图像（例如，手写形式）的情况下反转模型，那么机器学习模型就不太可能。< / p>

因为机器学习模型试图从输入创建概括（因此类似的输入将提供类似的输出，虽然模型从未接受过训练），但它们往往是非常有损的。此外，将数百，数千和更多输入变量减少为单个输出变量显然必须在此过程中丢失一些信息。

更具体地说，虽然Multilayer Perceptron（在您的示例中使用）是完全连接的神经网络，但某些权重预计为零，因此完全丢弃某些输入变量中的信息。因此，由于多个自由度，神经元的相同输出可以通过多个不同的输入值来检索它的功能。

理论上可以用特制的或随机的数据替换这些自由度和信息丢失，但这并不能保证成功输出。

另一方面，我对这个问题感到有些困惑。如果您能够自己生成该模型，您还可以创建一个相反的模型。您可以训练模型接受输入数字（也许是一些随机种子）并输出图像。

我可以在预训练的Tensorflow模型中生成给定输出的输入吗？

1 个答案: