AIGC实战——变分自编码器(Variational Autoencoder, VAE)

盼小辉丶

已于 2025-04-07 11:14:19 修改

阅读量8.1k

点赞数 66

CC 4.0 BY-SA版权

分类专栏：生成式人工智能从入门到实战文章标签： AIGC 深度学习 keras

于 2023-11-16 08:29:06 首次发布

本文链接：https://blog.youkuaiyun.com/LOVEmy134611/article/details/133974527

生成式人工智能从入门到实战专栏收录该内容

47 篇文章 ¥39.90 ¥99.00

订阅专栏

本文介绍了变分自编码器（VAE）的基本原理，包括其如何通过学习输入数据的潜分布进行无监督学习和生成新样本。在Keras中构建VAE，详细讲解了编码器、采样层、损失函数和训练过程。通过训练，VAE解决了自编码器在潜空间中分布不均匀的问题，实现了更平滑、连续的潜在表示。

AIGC实战——变分自编码器

0. 前言

我们已经学习了如何实现自编码器，并了解了自编码器无法在潜空间中的空白位置处生成逼真的图像，且空间分布并不均匀，为了解决这些问题，我们需要将自编码器 (Autoencoder, AE) 改进为变分自编码器 (Variational Autoencoder, VAE)。在本节中，我们将学习变分自编码器的基本原理，并使用 Keras 实现变分自编码器模型。

1. 变分自编码器

1.1 基本原理

变分自编码器 (Variational Autoencoder, VAE) 是一种结合了自编码器和概率图模型的生成模型，通过学习输入数据的潜分布来进行无监督学习并生成新样本。
与传统的自编码器不同，变分自编码器引入了概率编码器和概率解码器。编码器将输入数据映射到潜在空间的概率分布，而解码器将从潜在空间中的样本重构为原始输入的分布。通过学习这两个概率分布，VAE 可以学习到输入数据的概率表示，并且能够通过从潜在空间中采样生成新的样本。
在训练过程中，VAE 使用最大似然估计来最小化观测数据与重构数据之间的差异，并通过最小化编码器和解码器之间的 KL 散度来约