条件变分自编码器CVAE

最新推荐文章于 2025-11-22 00:06:45 发布

转载最新推荐文章于 2025-11-22 00:06:45 发布 · 7.9k 阅读

深度生成模型笔记同时被 2 个专栏收录

32 篇文章

订阅专栏

VAE的处理trick

8 篇文章

订阅专栏

上期探讨了变分自编码器模型（VAEs），本期聚焦条件概率版本的变分自编码器（CVAEs）。文章回顾了VAE目标及优化方法，介绍了CVAE-1到CVAE-4等多种模型，还提及针对具体问题的不同CVAE设计，最后给出相关代码和参考文献。

部署运行你感兴趣的模型镜像

转自：https://zhuanlan.zhihu.com/p/25518643

上一期探讨了变分自编码器模型（VAEs），本期继续生成模型的专题，我们来看一下条件概率版本的变分自编码器（CVAEs）。（对应的，另一类生成模型GANs也有条件概率版本，称为CGANs。）

VAE回顾

VAE的目标是最大化对数似然函数

$\sum_i \log p_{\theta}(\text{x}^{(i)})=\sum_i KL(q_{\phi}(\text{z}|\text{x}^{(i)})||p_{\theta}(\text{z}|\text{x}^{(i)})) + \sum_i \mathcal{L}(\theta,\phi;\text{x}^{(i)})$

其中，

$\mathcal{L}(\theta, \phi; \text{x}^{(i)}) &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x})} [\log p_{\theta}(\text{x,z}) - \log q_{\phi}(\text{z}|\text{x})] \\ &=& -KL(q_{\phi}(\text{z}|\text{x}^{(i)})||p_{\theta}(\text{z})) + \mathbb{E}_{q_{\phi}(\text{z}|\text{x}^{(i)})} \log p_{\theta}(\text{x}^{(i)}|\text{z})$

由于KL散度非负，对数似然函数的变分下界即为上式中的 $\mathcal{L}$ 项。一般来说， $p_{\theta}(\text{z}|\text{x}^{(i)})$ 是未知的，或者难以获得显式表达式的，因此，直接优化对数似然函数是不可行的，一般转而优化它的变分下界，即上式中的 $\mathcal{L}$ 项。Diederik P.Kingma和Max Welling提出了两个算法SGVB和AEVB去估计 $\mathcal{L}$ 。

CVAE

VAE用的训练集是数据 $\{\text{x}^{(i)}\}_{i=1}^N$ 。当生成数据时，由隐变量 $\text{z}$ 控制生成数据 $\text{x}$ ，如果我们现在有的数据不只是 $\text{x}$ ，我们还有关于数据 $\text{x}$ 的一些额外信息 $\text{y}$ ，最简单的，以手写数字为例，它的标签0-9，那么我们是否能够利用上这些额外的信息呢？

CVAE-1

一个简答的想法，考虑条件概率分布 $p_{\theta}(\text{x}|\text{y})$ ，套用原来的VAE模型，我们不难作出以下推导：

$KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{x,y})) &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log \frac{q_{\phi}(\text{z}|\text{x,y})}{p_{\theta}(\text{z}|\text{x,y})} \\ &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log \frac{q_{\phi}(\text{z}|\text{x,y}) p_{\theta}(\text{x}|\text{y})}{p_{\theta}(\text{z}|\text{x,y}) p_{\theta}(\text{x}|\text{y})} \\ &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log \frac{q_{\phi}(\text{z}|\text{x,y}) p_{\theta}(\text{x}|\text{y})}{p_{\theta}(\text{x,z}|\text{y})} \\ &=& KL(q_{\phi}(\text{z}|\text{x,y}) || p_{\theta}(\text{x,z}|\text{y})) + \log p_{\theta}(\text{x}|\text{y}))$

于是

$\log p_{\theta}(\text{x}|\text{y})) = KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{x,y})) + \mathcal{L}(\theta,\phi;\text{x,y})$

其中，

$\mathcal{L}(\theta,\phi;\text{x,y}) &=& -KL(q_{\phi}(\text{z}|\text{x,y}) || p_{\theta}(\text{x,z}|\text{y})) \\ &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} [\log p_{\theta}(\text{x,z}|\text{y}) - \log q_{\phi}(\text{z}|\text{x,y})] \\ &=& -KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{y})) + \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log p_{\theta}(\text{x}|\text{y,z})$

类似于VAE，套用SGVB算法，再做一下reparameterization，取适当的分布和网络，我们就得到了一个CVAE模型。

我们姑且称这个版本的CVAE为CVAE-1模型，没错，CVAE模型不止一个......

CVAE-2

此外，与CGAN一样，我们一般假设额外信息 $\text{y}$ 与隐变量 $\text{z}$ 没有直接的关系，因此条件概率 $p_{\theta}(\text{z}|\text{y})=p_{\theta}(\text{z})$ ，于是变分下界可以写成

$\mathcal{L}(\theta,\phi;\text{x,y}) = -KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z})) + \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log p_{\theta}(\text{x}|\text{y,z})$

这在文献[3]中提到过。姑且称这个版本为CVAE-2模型。

CVAE-3

这就完了吗？文献[2]会告诉你，不要着急，我们也提出了一种CVAE。文中提出的方法不是产生数据 $\text{x}$ ，而是直接考虑预测问题：预测数据 $\text{x}$ 的标签 $\text{y}$ 。什么意思呢？它的似然函数是 $p_{\theta}(\text{y}|\text{x})$ 而不是 $p_{\theta}(\text{x}|\text{y})$ 。而这个推导也不难，事实上，把 $\text{y}$ 看成我们要生成的“数据”， $\text{x}$ 看成是“标签”，在上面推导的结果里面直接交换 $\text{x}, \text{y}$ 的位置，就得到了

$\log p_{\theta}(\text{y}|\text{x})) = KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{x,y})) + \mathcal{L}(\theta,\phi;\text{x,y})$

其中，

$\mathcal{L}(\theta,\phi;\text{x,y}) &=& -KL(q_{\phi}(\text{z}|\text{x,y}) || p_{\theta}(\text{y,z}|\text{x})) \\ &=& \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} [\log p_{\theta}(\text{y,z}|\text{x}) - \log q_{\phi}(\text{z}|\text{x,y})] \\ &=& -KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{x})) + \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log p_{\theta}(\text{y}|\text{x,z})$

同样地，对 $q_{\phi}(\text{z}|\text{x,y})$ 做一下reparameterization，写成 $\text{z} = g_{\phi}(\text{x,y},\epsilon), \epsilon \sim \mathcal{N}(0,I)$ 。再取适当的分布和网络，就可以了。值得一提的是，我们会在模型中设定适当的分布 $p_{\theta}(\text{y}|\text{x,z})$ ，当训练完了以后，可以把模型当成一个分类器，预测输入 $\text{x}$ 的标签：

$\text{y}^*=\arg\max_{\text{y}}p_{\theta}(\text{y}|\text{x},\text{z}^*), \quad \text{z}^*=\mathbb{E}[\text{z}|\text{x}]$

上面的预测涉及到求期望，除非有显式结果，否则一般采用均值去近似期望：

$\text{y}^*=\arg\max_{\text{y}} \frac{1}{L} \sum_{l=1}^L p_{\theta}(\text{y}|\text{x},\text{z}^{(l)}), \quad \text{z}^{(l)} \sim p_\theta(\text{z}|\text{x})$

姑且这个模型称为CVAE-3，它的图模型结构如下：

CVAE-4

非常抱歉地告诉你，CVAE模型还没完。文献[3]提出了CMMA模型（conditional multimodal autoencoder），实际上它也可以看成是条件版本的VAE。一般来说，我们考虑的CVAE或者CGAN的图模型是长这样的：

它的特点是 $\text{z}, \text{y}$ 一般是相互独立的。而CMMA考虑的图模型是长这样的：

这个模型的特点是隐变量是由额外信息 $\text{y}$ 确定的， $p_{\theta}(\text{x}|\text{y,z})=p_{\theta}(\text{x}|\text{z})$ 。整个推导过程跟CVAE-1一模一样，应用 $p_{\theta}(\text{x}|\text{y,z})=p_{\theta}(\text{x}|\text{z})$ 以后，变分下界可以简化为：

$\mathcal{L}(\theta,\phi;\text{x,y}) = -KL(q_{\phi}(\text{z}|\text{x,y})||p_{\theta}(\text{z}|\text{y})) + \mathbb{E}_{q_{\phi}(\text{z}|\text{x,y})} \log p_{\theta}(\text{x}|\text{z})$

姑且称CMMA模型为CVAE-4。CVAE-4模型将标签信息编码到隐变量 $\text{z}$ 中，作者指出，这样做的效果更好。

当然，针对具体的问题，还有一些不一样的CVAE设计，例如，文献[1]用CVAE做半监督学习，用到的CVAE又与上面介绍的有所不同。根据具体问题，有些模型还会对目标函数添加一些惩罚项。

VAE是个贝叶斯模型，它的条件概率版本根据取条件概率的形式的不同，自然会出现多种多样的模型。

代码

1. RuiShu/cvae: Conditional variational autoencoder implementation in Torch

2. kastnerkyle/SciPy2015: Talk for SciPy2015 "Deep Learning: Tips From The Road"

3. Tutorial on Variational Autoencoders

4. dpkingma/nips14-ssl: Code for reproducing results of NIPS 2014 paper "Semi-Supervised Learning with Deep Generative Models"

5. jramapuram/CVAE: Convolutional Variational Autoencoder

参考文献

1. Kingma D P, Mohamed S, Rezende D J, et al. Semi-supervised learning with deep generative models[C]//Advances in Neural Information Processing Systems. 2014: 3581-3589.

2. Sohn K, Lee H, Yan X. Learning structured output representation using deep conditional generative models[C]//Advances in Neural Information Processing Systems. 2015: 3483-3491.

3. Pandey G, Dukkipati A. Variational methods for conditional multimodal learning: Generating human faces from attributes. arXiv preprint[J]. arXiv, 2016, 1603.

4. Walker J, Doersch C, Gupta A, et al. An uncertain future: Forecasting from static images using variational autoencoders[C]//European Conference on Computer Vision. Springer International Publishing, 2016: 835-851.

5. Doersch C. Tutorial on variational autoencoders[J]. arXiv preprint arXiv:1606.05908, 2016.

您可能感兴趣的与本文相关的镜像