adding a gaussian noise function

exos/tp3_autoencoder/main.py

@@ -22,6 +22,26 @@ def add_noise(data, noise_factor=0.5):
     noisy_data = np.clip(noisy_data, 0., 1.)
     return noisy_data
 
+def add_binary_noise(data, noise_type='uniform', noise_factor=0.1):
+    """
+    Add noise to binary data. For values=0, add a positive quantity. For values=1, subtract a positive quantity.
+    The noise can be determined by a uniform or Gaussian distribution.
+    :param data: numpy.ndarray: The input binary data.
+    :param noise_type: str: The type of noise distribution ('uniform' or 'gaussian').
+    :param noise_factor: float: The factor controlling the amount of noise.
+    :return: numpy.ndarray: The noisy data.
+    """
+    if noise_type == 'uniform':
+        noise = noise_factor * np.random.uniform(low=0.0, high=1.0, size=data.shape)
+    elif noise_type == 'gaussian':
+        noise = noise_factor * np.random.normal(loc=0.0, scale=1.0, size=data.shape)
+    else:
+        raise ValueError("Invalid noise_type. Choose 'uniform' or 'gaussian'.")
+
+    noisy_data = np.where(data == 0, data + noise, data - noise) # Ajouter du bruit aux valeurs égales à 0 et soustraire du bruit aux valeurs égales à 1
+    noisy_data = np.clip(noisy_data, 0., 1.) # Clipper les valeurs pour qu'elles restent dans la plage [0, 1]
+    return noisy_data
+
 # Auto-encodeur avec une couche cachée
 def build_single_layer_autoencoder(input_dim, hidden_dim):
     """
@@ -101,3 +121,25 @@ train_and_evaluate_autoencoder(three_layer_autoencoder, X_train, X_test)
 
 # Entraîner et évaluer l'auto-encodeur avec des données bruitées
 train_and_evaluate_noisy_autoencoder(three_layer_autoencoder, X_train, X_test, noise_factor=0.5)
+
+# Entraîner et évaluer un auto-encodeur avec des données binaires bruitées
+def train_and_evaluate_binary_noisy_autoencoder(autoencoder, X_train, X_test, noise_type='uniform', noise_factor=0.1, epochs=50, batch_size=256):
+    """
+    Train and evaluate an autoencoder model on binary noisy data.
+    :param autoencoder: the autoencoder model to train and evaluate
+    :param X_train: training data without noise (clean data)
+    :param X_test: test data without noise (clean data)
+    :param noise_type: the type of noise distribution ('uniform' or 'gaussian')
+    :param noise_factor: the factor controlling the amount of noise to add to the data
+    :param epochs: number of epochs to train the model
+    :param batch_size: batch size for training
+    """
+    X_train_noisy = add_binary_noise(X_train, noise_type, noise_factor)
+    X_test_noisy = add_binary_noise(X_test, noise_type, noise_factor)
+    autoencoder.fit(X_train_noisy, X_train, epochs=epochs, batch_size=batch_size, shuffle=True, validation_data=(X_test_noisy, X_test))
+    reconstructed = autoencoder.predict(X_test)
+    mse = np.mean(np.power(X_test - reconstructed, 2), axis=1) # Calculer l'erreur quadratique moyenne pour chaque exemple de test (comparaison entre les données originales et les données reconstruites)
+    print("Mean Squared Error with binary noise: ", np.mean(mse)) # Afficher l'erreur quadratique moyenne
+
+# Utilisation de la nouvelle fonction
+train_and_evaluate_binary_noisy_autoencoder(three_layer_autoencoder, X_train, X_test, noise_type='uniform', noise_factor=0.1)
\ No newline at end of file