本篇文章為大家展示了條件變分自動(dòng)編碼器CVAE的基本原理和keras實(shí)現(xiàn)是怎樣的，內(nèi)容簡明扼要并且容易理解，絕對(duì)能使你眼前一亮，通過這篇文章的詳細(xì)介紹希望你能有所收獲。

成都創(chuàng)新互聯(lián)專注于長泰企業(yè)網(wǎng)站建設(shè),自適應(yīng)網(wǎng)站建設(shè),商城網(wǎng)站建設(shè)。長泰網(wǎng)站建設(shè)公司,為長泰等地區(qū)提供建站服務(wù)。全流程按需網(wǎng)站開發(fā)，專業(yè)設(shè)計(jì)，全程項(xiàng)目跟蹤，成都創(chuàng)新互聯(lián)專業(yè)和態(tài)度為您提供的服務(wù)

變分自動(dòng)編碼器(VAE)是一種有方向的圖形生成模型，已經(jīng)取得了很好的效果，是目前生成模型的最先進(jìn)方法之一。它假設(shè)數(shù)據(jù)是由一些隨機(jī)過程,涉及一個(gè)未被注意的連續(xù)隨機(jī)變量z假設(shè)生成的z是先驗(yàn)分布Pθ(z)和條件生成數(shù)據(jù)分布Pθ(X | z),其中X表示這些數(shù)據(jù)。z有時(shí)被稱為數(shù)據(jù)X的隱藏表示。

像任何其他自動(dòng)編碼器架構(gòu)一樣，它有一個(gè)編碼器和一個(gè)解碼器。編碼器部分試圖學(xué)習(xí)qφ(z | x),相當(dāng)于學(xué)習(xí)數(shù)據(jù)的隱藏表示x或者x編碼到隱藏的(概率編碼器)表示。解碼器部分試圖學(xué)習(xí)Pθ(X | z)解碼隱藏表示輸入空間。圖形化模型可以表示為下圖。

對(duì)模型進(jìn)行訓(xùn)練，使目標(biāo)函數(shù)最小化

這種損失的第一項(xiàng)是重建錯(cuò)誤或數(shù)據(jù)點(diǎn)的預(yù)期負(fù)對(duì)數(shù)可能性。期望是關(guān)于編碼器的分布在表示通過采取一些樣本。這個(gè)術(shù)語鼓勵(lì)解碼器在使用來自潛在分布的樣本時(shí)學(xué)會(huì)重構(gòu)數(shù)據(jù)。較大的錯(cuò)誤表示解碼器無法重構(gòu)數(shù)據(jù)。

第二項(xiàng)是Kullback-Leibler編碼器之間的分布q_φ(z | x)和p (z)。這個(gè)散度度量了在使用q表示z上的先驗(yàn)時(shí)損失了多少信息，并鼓勵(lì)其值為高斯分布。

在生成過程中，來自N(0,1)的樣本被簡單地輸入解碼器。訓(xùn)練和生成過程可以表示為以下

一種訓(xùn)練時(shí)變分自編碼器實(shí)現(xiàn)為前饋神經(jīng)網(wǎng)絡(luò)，其中P(X|z)為高斯分布。紅色表示不可微的采樣操作。藍(lán)色表示損失計(jì)算

測(cè)試時(shí)變分的“自動(dòng)編碼器”，它允許我們生成新的樣本?！熬幋a器”路徑被簡單地丟棄。

對(duì)VAE進(jìn)行如此簡要的描述，其原因在于，VAE并不是本文的主要關(guān)注對(duì)象，而是與本文的主要主題緊密相關(guān)的。

用VAE生成數(shù)據(jù)的一個(gè)問題是，我們對(duì)生成的數(shù)據(jù)類型沒有任何控制。例如，如果我們用MNIST數(shù)據(jù)集訓(xùn)練VAE，并嘗試通過向解碼器輸入Z ~ N(0,1)來生成圖像，它也會(huì)產(chǎn)生不同的隨機(jī)數(shù)字。如果我們訓(xùn)練好，圖像會(huì)很好，但我們將無法控制它會(huì)產(chǎn)生什么數(shù)字。例如，你不能告訴VAE生成一個(gè)數(shù)字“2”的圖像。

為此，我們需要對(duì)VAE的體系結(jié)構(gòu)進(jìn)行一些修改。假設(shè)給定一個(gè)輸入Y(圖像的標(biāo)簽)，我們希望生成模型生成輸出X(圖像)。所以,VAE的過程將被修改為以下:鑒于觀察y, z是來自先驗(yàn)分布Pθ(z | y)和輸出分布Pθ產(chǎn)生的x (x | y,z)。請(qǐng)注意,對(duì)于簡單的VAE,之前是Pθ(z)和輸出是由Pθ(x | z)。

VAE中的可視化表示任務(wù)

這里編碼器部分試圖學(xué)習(xí)qφ(z | x, y),相當(dāng)于學(xué)習(xí)隱藏的代表數(shù)據(jù)或編碼x到y條件。解碼器部分試圖隱藏表示學(xué)習(xí)Pθ(x | z, y)解碼隱藏表示輸入空間條件的y。圖形化模型可以表示為如下圖所示。

條件VAE (Conditional VAE)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以表示為如下圖。

X是像。Y是圖像的標(biāo)簽，它可以用一個(gè)離散向量表示。

CVAE的一個(gè)keras實(shí)現(xiàn)：https://github.com/nnormandin/ConditionalVAE/blob/master/ConditionalVAE.ipynb

上述內(nèi)容就是條件變分自動(dòng)編碼器CVAE的基本原理和keras實(shí)現(xiàn)是怎樣的，你們學(xué)到知識(shí)或技能了嗎？如果還想學(xué)到更多技能或者豐富自己的知識(shí)儲(chǔ)備，歡迎關(guān)注創(chuàng)新互聯(lián)行業(yè)資訊頻道。