变分自编码器（VAE）
前言
在这个GAN大行其道的时代，变分自编码器作为一种经典的生成模型（GAN有模型坍塌问题，咱们VAE就没有），好像没有必要存在了，其实不然，变分自编码器仍有其很大的价值，也广泛各种方向。经过了几天的学习和思考，特整理出此笔记，主要参考文献在本文末尾给出。网上也有很多博客，但其实那些博客里有很多细节东西没有讲清，或者有很多东西连博主都没有搞懂。毕竟VAE涉及的东西还是很多的。本文或许有诸多纰漏，希望能够得到读者的指正，谢谢。
从网络结构说起
图里面的细节不懂别想啦，把这篇文章看完了就懂了。对比着图可解释：我们首先给输入一张图片给进编码器（其实就是一个神经网络），之后通过编码器得到满足这张图片的高斯分布的均值和方差（为什么？稍后我们解释这个神经网络的作用），然后在这个高斯分布中进行采样得到样本，之后将这个样本送入解码器（神经网络）中，就得到解码后的图片啦。之后我们就可以利用解码器，直接从之前所得那个分布（其实是标准的正态分布，为什么？且看下文）里进行采样，送入Decoder里，就可以得到一张我们没有见过的图片啦。
呃，有点乱，那我们就从头开始讲吧。
隐变量
根源
变分贝叶斯
Reparameterization trick
网络结构
我们来回顾一下我们的整个结构，训练阶段我们从X经过Encoder得到后验分布Q(z|X),然后从这个分布里采样到Decoder里得到图片。生成图片时，我们从标准的正态分布采样送到Decoder就可以生成新图片。
最后我们假设我们的Decoder训练的分布是正态分布的话，那么我们就有一个MSE损失。
代码及实验结果
罢了，就到这吧。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/230468.html原文链接：https://javaforall.net
