#去噪的自編碼器
import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data

#xavier是初始化器
def xavier_init(fan_in,fan_out,constant=1):
    low = -constant * np.sqrt((6.0 /fan_in +fan_out))
    hight = constant * np.sqrt(6.0 /(fan_in +fan_out))
    return tf.random_uniform([fan_in,fan_out],minval=low,maxval=hight,dtype=np.float32)

#定義一個類
class AdditiveGaussianNoiseAutoencoder(object):
    def __init__(self,n_input,n_hidden,transfer_function=tf.nn.softplus,optimizer=tf.train.AdamOptimizer,scale=0.1):
        self.n_input=n_input
        self.n_hidden=n_hidden
        self.trainfer=transfer_function
        self.scale=tf.placeholder(tf.float32)
        self.training_scale=scale
        network_weights = self._initialize_weights()
        self.weights=network_weights
        #定義網路的結構
        # x為輸入，我們為輸入建立一個維度為n_input的placeholder.
        self.x=tf.placeholder(tf.float32,[None,self.n_input])
        #我們建立一個能提取特徵的隱含層，我們先將隱含層加上噪聲然後與權重相乘，再加上偏量，然後通過啟用函式處理
        self.hidden=self.trainfer(tf.add(tf.matmul(self.x + scale * tf.random_normal((n_input,)),self.weights['w1']),self.weights['b1']))
        #我們在輸出層進行資料的復原。
        self.reconstruction = tf.add(tf.matmul(self.hidden,self.weights['w2']),self.weights['b2'])
        #定義自編碼器的損失函式，直接使用平方誤差作為cost，即用tf.subtract計算輸出self.reconstruction,self.x的差值，再用tf.pow計算差值的平方。
        #最後使用tf.reduce_sum求和得到平方誤差。
        self.cost=0.5 * tf.reduce_sum(tf.pow(tf.subtract(self.reconstruction,self.x),2.0))
        #使用優化器對cost進行優化。
        self.optimizer = optimizer.minimize(self.cost)

        init = tf.global_variables_initializer()
        self.sess = tf.Session()
        self.sess.run(init)

#這個是引數初始化的方程
    def _initialize_weights(self):
            all_weights = dict()
            all_weights['w1']=tf.Variable(xavier_init(self.n_input,self.n_hidden))
            all_weights['b1']=tf.Variable(tf.zeros([self.n_hidden],dtype=tf.float32))
            all_weights['w2']=tf.Variable(tf.zeros([self.n_hidden,self.n_input],dtype=tf.float32))
            all_weights['b2']=tf.Variable(tf.zeros([self.n_input],dtype=tf.float32))
            return all_weights
#定義一個計算損失的cost的及執行一步訓練的的函式partial_fit
    def partial_fit(self,x):
            cost ,opt= self.sess.run((self.cost,self.optimizer),feed_dict={self.x:x,self.scale:self.training_scale})
            return cost
#這個是返回cost的值，並不執行訓練的操作。
    def cale_total_coat(self,x):
            return self.sess.run(self.cost,feed_dict={self.x:x,self.scale:self.training_scale})
#返回的是自編碼器的隱含層的輸出的結果，它的目的是提供一個介面來獲取抽象後的特徵，隱含層的主要作用是學習出資料的高階特徵。
    def tarnsfrom(self,x):
            return self.sess.run(self.hidden,feed_dict={self.x:x,self.scale:self.training_scale})
#他將隱含層的輸出結果作為輸入，通過之後的重建層將提取到的高階特徵復原為原始資料。這個介面與transfrom介面正好將自編碼器拆分為兩個部分。這個是後半部分，將高階特徵復原為原始資料。
    def generate(self,hidden=None):
            if hidden is None:
                hidden = np.random.normal(size=self.weights['b1'])
            return self.sess.run(self.reconstruction,feed_dict={self.hidden:hidden})
#這個輸入的是原資料，輸出的是復原後的資料
    def reconstruct(self,x):
            return self.sess.run(self.reconstruct,feed_dict={self.x:x,self.scale:self.training_scale})

    def getWeights(self):
            return self.sess.run(self.weights['w1'])

    def getBiases(self):
            return self.sess.run(self.weights['b1'])

mnist=input_data.read_data_sets('MNIST_data',one_hot=True)

#這個函式的作用是通過訓練資料找到一個好的scale
def standard_scale(X_train,X_test):
    preprocessor= prep.StandardScaler().fit(X_train)
    X_train = preprocessor.transform(X_train)
    X_test = preprocessor.transform(X_test)
    return X_test,X_train

#這個函式的作用是隨機獲取block的資料，不放回的抽樣。
def get_random_block_from_data(data,batch_size):
    start_index =np.random.randint(0,len(data) - batch_size)
    return data[start_index:(start_index + batch_size)]

X_tarin ,X_test =standard_scale(mnist.train.images,mnist.train.images)

n_samples = int(mnist.train.num_examples)
training_epochs=20
batch_size=128
display_step = 1

autoencoder =AdditiveGaussianNoiseAutoencoder(n_input=784,n_hidden=200,transfer_function=tf.nn.softplus,optimizer=tf.train.AdamOptimizer(learning_rate=0.001),scale=0.01)


for epoch in range(training_epochs):
    avg_coat=0
    total_batch = int (n_samples  / batch_size)
    for i in range(total_batch):
        batch_xs=get_random_block_from_data(X_tarin,batch_size)

        coat=autoencoder.partial_fit(batch_xs)
        avg_coat+=coat / n_samples * batch_size

    if epoch % display_step ==0:
        print("Epoch:",'%04d' %(epoch + 1) , "cost=",'{:.9f}'.format(avg_coat))
print("Total coat:" + str(autoencoder.cale_total_coat(X_test)))