【AI算法学习】基于AutoEncoder的生成对抗网络

最新推荐文章于 2025-07-07 14:57:00 发布

镰刀韭菜

最新推荐文章于 2025-07-07 14:57:00 发布

阅读量1k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习与机器学习文章标签： Autoencoder GAN VAE InfoGAN DCGAN

本文链接：https://blog.youkuaiyun.com/ARPOSPF/article/details/130238052

深度学习与机器学习专栏收录该内容

103 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了AutoEncoder、VAE、GAN及其变种，包括VAE-GAN和DCGAN，强调了InfoGAN在无监督学习中通过最大化互信息实现变量解耦的能力。此外，还提到了ss-InfoGAN，这是一种利用少量标签信息的半监督学习方法，以生成更高质量的、语义上有意义的图像。

" 生成模型（Generative modeling）"已成为机器学习的一个较为广泛的领域。在图像这种流行数据上，每张图像都有数千数万的维度（像素点）， 生成模型的工作就是通过某种方式来捕获像素之间的依赖，而具体捕获哪些依赖关系，就取决于我们想用模型来做些什么。

通常来讲，看起来像真实图像的数据点会以更高的概率被采纳，而看起来像随机噪声图像的数据点会以较低的概率被采纳。有时候这样的模型不一定有用，因为知道了一张图像后就不太可能合成不一样的图像。我们实际上更加需要的是和已经存在的图像类似，但又不完全相同的图像，拿来扩充数据，这样的图像原本是不存在的。

GAN和VAE都是效果比较好的生成模型，但是VAE希望通过一种显式的方法找到一个概率密度，并通过最小化对数似函数的下限来得到最优解；GAN则是使用对抗的方式来寻找一种平衡，不需要给定显式的概率密度函数。

AutoEncoder

VAE（变分自编码器）是基于AE（自编码器）提出的，所以要先了解AE。Encoder将输入X映射到一个隐状态Z，Decoder将Z再映射回X’，AE的训练目标就是使得输入X和输出X’尽可能相似，同时AE是完全确定的，AE的输入直接决定了生成结果。在AE中，因为Encoder将输入X映射为更低维度的表征，这些表征通常被认为是低噪声且富有信息的，所以Z可以被称为特征向量。