我可以在經過預訓練的Tensorflow模型中生成輸入嗎？

Question

假設我已經訓練了MNIST任務模型，給出了下面的代碼：

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!") 

所以這個模型預測給出的圖像的圖像中顯示的數字。 一旦我訓練了它，我可以使輸入變爲'變量'而不是'佔位符'並嘗試對給定輸出的輸入進行反向工程？ 例如，我想提供輸出'8'併產生一個數字8的代表性圖像。

我認爲：

1. 凍結模型
2. 添加相同大小的可變矩陣「M」作爲輸入和權重之間的輸入
3. 訂閱相同的矩陣作爲輸入來輸入佔位符
4. 運行優化器學習'M'矩陣。

有沒有更好的方法？

Answer 1

如果您的目標是在輸入應該是數字和輸出圖像顯示該數字（以手寫的形式）的意義上顛倒模型，那麼使用機器學習模型是不太可能的。因爲機器學習模型試圖從輸入中創建泛化（因此類似的輸入將提供類似的輸出，儘管模型從未受過訓練），但它們往往是非常有損耗的。此外，從數百，數千和更多的輸入變量減少爲單個輸出變量顯然必須在該過程中丟失一些信息。

更具體地說，儘管Multilayer Perceptron（如您在示例中使用的）是完全連接的神經網絡，但某些權重預計爲零，因此將信息完全丟棄在某些輸入變量中。由於許多自由度，Moverover可以通過多個獨特的輸入值來檢索神經元的相同輸出。

理論上可以用特製的或隨機的數據替換那些自由度和丟失的信息，但這並不能保證成功的輸出。

在旁註中，我對這個問題有點困惑。如果你能夠自己生成這個模型，你也可以創建一個相反的模型。你可以訓練一個模型來接受輸入數字（也可能是一些隨機種子）並輸出圖像。