49、自动编码器：原理、应用与变分自动编码器详解

自动编码器：原理、应用与变分自动编码器详解

1. 卷积自动编码器实验

我们首先训练了一个仅含 20 个潜在变量的卷积自动编码器，和之前一样训练了 50 个周期。虽然此时模型仍在改进，但为了与之前的模型进行比较，我们在 50 个周期时停止训练。

从测试集选取的五个示例图像经过卷积自动编码器处理后，解压版本与原图像虽不完全相同，但非常接近，这表明模型取得了不错的效果。

为了进一步探索，我们给解码器输入噪声。由于潜在变量是一个 7×7×3 的张量，所以噪声值也采用相同形状的 3D 体积。结果生成了随机斑点状的图像，这对于随机输入来说是合理的输出。

接着，我们尝试混合卷积自动编码器中的潜在变量。在图中展示了使用与之前相同图像的网格，将前两行图像的潜在变量进行均等混合，然后解码插值后的变量生成第三行图像。结果有些模糊，但能看出是上面两行图像的混合。进一步观察之前使用的三组混合的多个步骤，发现结果并不比简单的自动编码器好多少。这说明即使有更多的潜在变量，当使用与训练样本差异较大的输入进行重建时，仍然会遇到问题。

我们还对卷积神经网络进行了一个“不公平”的测试，给它输入低分辨率的老虎图像。结果显示，即使仔细观察，也只能勉强说眼睛、嘴两侧和鼻子周围的主要暗区可能被保留了，但这也可能只是想象。这是因为卷积自动编码器试图在数字的潜在空间中寻找老虎，所以表现不佳。

2. 自动编码器的去噪应用

自动编码器的一个常见应用是去除样本中的噪声，比如去除计算机生成图像中有时出现的斑点。我们使用 MNIST 数据集进行去噪实验，给图像添加随机噪声，具体做法是在每个像素处从均值为 0 的高斯分布中选取一个值，将其加入图像后，把结果值