变分自编码VAE(variational autoencoder)及Keras 实现

最新推荐文章于 2025-06-28 18:13:17 发布

原创

最新推荐文章于 2025-06-28 18:13:17 发布 · 1.5w 阅读

39 ·

CC 4.0 BY-SA版权

文章标签：

#VAE #变分自编码 #Keras

本文介绍了变分自编码器（VAE）的基础知识，源于《Auto-Encoding Variational Bayes》的论文。通过Keras实现VAE，并详细解读了训练过程。VAE可以用于生成图像，实验结果显示，编码后的二维表示具有良好的聚类效果，而解码器能够将随机采样的二维数据转换为手写数字图像。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

由于毕设相关，近期看了一些变分自编码(VAE)的东西，将一些理解记录在这，不对的地方还请指出。

在论文《Auto-Encoding Variational Bayes》中介绍了VAE。

附上自己的笔记(字体较烂，勿喷)：

训练好的VAE可以用来生成图像。

在Keras 中提供了一个VAE的Demo:variational_autoencoder.py

为了输出网络形状，我将代码稍微改了一下，并注释了一些自己的理解。

代码实验MNIST手写数字数据集

'''This script demonstrates how to build a variational autoencoder with Keras.

Reference: "Auto-Encoding Variational Bayes" https://arxiv.org/abs/1312.6114
'''
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm

from keras.layers import Input, Dense, Lambda
from keras.models import Model
from keras import backend as K
from keras import objectives
from keras.datasets import mnist
from keras.utils.visualize_util import plot
import sys

saveout = sys.