Autoencoder神经网络完成异常检测(2)

    接着上一篇文章，stacked_ae.evaluate在测试集上可以完成验证，但是在部署时怎么预测新数据呢？predict方法预测得到重建后的数据，函数rounded_accuracy计算28个维度是否匹配的概率。最后通过reduce_mean计算平均值，numpy()属性转换为数值。

    函数rounded_accuracy如下。binary_accuracy它适用于2分类的情况，有个threshold参数表示用于确定预测值是 1 还是 0 的阈值。该参数默认为0.5，将y_pred中的每个预测值和threshold对比，大于threshold的设为1，小于等于threshold的设为0，然后再计算预测与二进制标签匹配的频率。

def rounded_accuracy(y_true, y_pred):

    return keras.metrics.binary_accuracy(tf.round(y_true), tf.round(y_pred))

    接下来是使用卷积自动编码器来代替密集层，卷积神经网络更加适合处理图像问题。

    但是以前神经网络需要固定维度，那么对于图像数据而言就需要处理，循环自动编码器可以处理任何长度的序列，每个时间步长具有28维度。

    相对于其他神经网络，RNN训练较为缓慢，而且训练结果没有固定维度的效果好，欺诈卷积神经网络CNN效果最好。