三顾VAE——这次真的最后一次总结了

最新推荐文章于 2025-10-28 09:42:12 发布
原创 最新推荐文章于 2025-10-28 09:42:12 发布 · 4.1k 阅读 · 40 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#VAE

本文作者回顾了上半年计算机视觉课程中关于变分自编码器（VAE）的学习与研究，分享了对VAE的全面理解，包括其原理、应用及实验心得。尽管作者尚未亲自动手实践，但通过此次课程总结，提供了对VAE深入理解的宝贵资料，旨在帮助读者更全面地掌握这一深度学习模型。

借着上半年计算机视觉的小作业论文阅读，我的VAE系列火了

VAE全面理解（上）

VAE全面理解（下）

其实自己反过去看，讲的很一般，很多地方是没有讲透彻的，也不怕朋友们笑，我至今没有做过VAE相关的实验，一直想做，然后一直割，割一时一时爽，一直割一直爽。希望哪天不用做实验，不用赶论文的假期，恰巧也没有朋友喊着出去玩，我也没有睡懒觉能够把这个实验补上吧。

那么写这篇博客的目的，是我自己在计算机视觉课上，又针对VAE做了一个总结，感觉还是花了不少功夫在做这件事的，我想把这个工作放出来，给希望对VAE有着更多了解的同学一些帮助。

 

 

 

 

 

 

 

 

PS 雁栖湖校区还是很好看的，怀念我走过的湖畔长堤

学术交流可以关注我的公众号，后台留言，粉丝不多，看到必回

AIGC实战——生成式人工智能总结与展望
盼小辉丶的博客
10-31 1万+
近年来，生成模型取得了突破性进展，生成式人工智能拥有了无限可能性和潜在影响，有着无限的实际应用潜力，我们期待着生成式人工智能够产生更广泛的影响。生成模型领域不仅仅是关于创建图像、文本或音乐的应用，而且生成式深度学习隐藏着人工智能的本质。在本节中，将概述生成式人工智能的发展历史，然后探讨生成式人工智能面临的机遇和挑战，介绍可能的发展方向，以及它对社会的潜在影响，并解决主要的伦理和实践问题。
AIGC实战——变分自编码器(Variational Autoencoder, VAE)
盼小辉丶的博客
11-16 8515
变分自编码器通过在模型中引入随机性，并限制潜空间中的点的分布来解决自编码器存在的问题。只需进行一些微小的调整，就可以将自编码器转换为变分自编码器，从而使其成为真正的生成模型。在本节中，我们介绍了变分自编码器的基本原理，并使用 `Keras` 实现了一个变分自编码器用于生成 Fashion-MNIST 图像。
Vae总结
qq_36056567的博客
12-09 504
Vae 变分自编码 由两部分网络构成  第一部分是编码网络提取物体特征，第二部分为解码网络生成物体 思路：控制分布 一般为判别网络+生成网络 判别为条件概率 生成为联合概率 编码网络  输入物体  输出方差和均值假设为正太分布 解码  输入正太分布  分布*方差+均值  在输出生成样本 loss 由两部分组成第一部分自身损失，第二部分控制分布损失 用kl距离公式优化loss 推...
总结VAE
beilizhang的博客
10-30 441
参考链接： https://blog.youkuaiyun.com/weixin_40955254/article/details/101037614 https://blog.youkuaiyun.com/weixin_40955254/article/details/82315909 https://www.bilibili.com/video/BV13x411v7US?p=29（李宏毅老师机器学习2017，图多处于其PPT） 概述 VAE（Variational Auto-Encoders，变分自编码器）属于一种生成式模
2.VAE总结
jing___yu的博客
06-16 220
VAE 总结整理
Suzumiya_Terix的博客
06-20 1142
VAE 总结整理 原始VAE介绍 VAE是一种生成模型，通过隐变量z生成目标数据X。核心是希望训练一种模型，可以将某个概率分布映射到训练集的概率分布。 所以核心在于： 1）隐变量的概率分布如何选择 2）如何衡量生成的概率分布与已有的概率分布之间的差异 3）如何将这种差异用于调整网络参数 变量列表 变量名 含义 X,XX, \mathcal XX,X 数据点，数据点所属空间 DateDateDate 数据集，XXX是从DataDataData中采样得到的 P(∗)P(*)P(∗) 变量
VAE(变分自编码器总结)
熊伟
07-24 468
本想自己总结，结果谷歌到别人写的总结，感觉不错，自己再偷一次懒吧。http://minghao23.com/2019/02/23/VAE/#autoencoderae
深度学习笔记——AE、VAE
haopinglianlian的博客
11-29 1703
本笔记介绍深度学习中两个重要的模型：AE、VAE。
多模态论文笔记——VQ-VAE和VQ-VAE-2
haopinglianlian的博客
12-21 3009
本文详细介绍VQ-VAE和VQ-VAE-2的原理和训练过程，为后面的dVAE在DALLE中的使用打下坚实的基础。
AIGC实战——β-VAE详解与实现
最新发布
盼小辉丶的博客
10-28 722
本文介绍了 β-VAE 的原理与实现。通过在 VAE 的 KL 损失项前添加大于 1 的系数 β，形成新的损失函数，可强制潜编码解耦。当 β≈9 时解耦效果最优，潜编码 z[0] 和 z[1] 分别控制笔迹倾斜度和数字宽度；当 β> 9时模型会抑制部分潜维度，如 β=10 时仅保留单一有效编码。实验表明，该方法能有效实现潜表征解耦，在 MNIST 数据集上可独立控制数字的书写风格特征。
变分自编码器 VAE 超详解，从简单公式推导到模型结构到模型理解
m0_56942491的博客
02-23 4万+
理解了我们的核心公式和要做的事情后，我们就可以着手搭建模型了。首先我们需要做的是确定 z。VAE 是如何去描述潜在空间 z 的呢？它认为，z 根本没有一种合适的阐述方法，而是直接假定 z 的样本可以从简单的分布中抽取，即标准正态分布N(0, I)，其中 I 是单位矩阵。因为，任何 d 维度的分布都可以用一组 d 个服从正态分布的变量，通过足够复杂的函数进行映射从而生成。其中的原理可以参考[这篇论文。此外，也有采用正态分布可以更方便 KL 散度计算的说法。
VAE总结
Swift's Blog
01-09 2756
这段时间看了VAE的有关知识，但网上关于VAE的讲解较为理论复杂，我这里就记录一下自己的想法了。 定义 VAE从概率的角度描述隐空间与输入样本，它将样本的隐变量建模为概率分布, 而非像AE一样把隐变量看做是离散的值。 AE VS VAE 损失函数 我们假设隐变量的概率分布为标准正态分布N(0,1)N(0, 1)N(0,1)（这种分布不是必须的，也可以是其它分布）。而描述正态分布需要有两个参数μx,σx\mu_x, \sigma_xμx​,σx​，在encoder端使用神经网络来拟合这两个参数。在dec
VAE全面理解（下）
与贰的博客
09-02 1万+
在上一篇中，我自认为用浅显的语言向诸位介绍了VAE的整个发展的过程，在这篇中，将较多的涉及框架构建以及公式推导部分。 那么，开始吧 1）框架构建 首先我们有一批数据样本 x1,…,xn}，其整体用 X 来描述，我们本想根据 {x1,…,xn} 得到 X 的分布 p(X)，如果能得到的话，那我直接根据 p(X) 来采样，就可以得到所有可能的 X 了（包括 {x1,…,xn} 以外的），这是一个...
VAE全面理解（上）
热门推荐
与贰的博客
09-02 9万+
忏悔 前段时间学习了《Auto encoding variational bayes》这篇文章，处于种种原因，还写了一篇博客，https://blog.youkuaiyun.com/qq_31456593/article/details/77743840，近日想要自己再重新复习一下，发现当时的理解是相当的不到位，叙述也是模棱两可的，花了很大力气，又重新看了两天，有了许多新的理解，我决定把它写下来。当然认知水...
读论文《Auto-Encoding Variational Bayes》
知行_那片天
08-31 1万+
这篇论文将变分贝叶斯和神经网络结合起来，用神经网络学习变分推导的参数，以得到后验推理p(z|x)的似然，并获得了一个效果不错的生成模型-变分自编码器
VAE详细推导
ustbfym的博客
12-22 1万+
本文是对VAE的loss的详细推导 先上两个图解释下VAE在这两个的基础上，我们可以定义data likelihood:为什么要采用变分由于MCMC算法的复杂性，对于qϕ(z|x)q_{\phi}(z|x)，如果对每个数据点都要大量采样，在大数据情况下是难以实现的，因此需要找一个近似的方法。变分推理的思想就是寻找一个容易处理的分布使得与目标分布尽量接近来代替它。上述公式的第二部分就是利用pθ(z)p
VAE-变分自编码器-Auto-Encoding Variational Bayes-详细推导
qwezhaohaihong
12-24 626
mac太难了，我想把我写好的word复制粘贴，一复制电脑就死机 炸裂，大家凑合看看图片吧，word可以看我的资源中心
VAE 模型基本原理简单介绍
Smileyan's blog
09-24 6万+
1. 编写目的 当前不少关于异常检测的论文提到了基于VAE的算法，为了更好理解那些论文，这里专门记录一下关于VAE 的相关内容。 2. VAE 基本概念 Variational Autoencoder 参考 [1] Kingma D P, Welling M. Auto-Encoding Variational Bayes[J]. stat, 2014, 1050: 10. 论文下载地址 ...
深度学习（二十六）——VAE
antkillerfarm的专栏
06-11 1万+
https://antkillerfarm.github.io/ VAE 变分自编码器（Variational Auto-Encoder，VAE）是Autoencoder的一种扩展。 论文： 《Auto-Encoding Variational Bayes》 以下部分主要摘自： https://kexue.fm/archives/5253 变分自编码器（一）：原来是这么一回事 ...
Pytorch实现的VAE变种模型——wae_mmd
在深度学习和机器学习领域，变分自编码器（Variational Autoencoder，简称VAE）是一种生成模型，它通过学习数据的概率分布来生成新的数据样本。VAE模型的主要思想是将数据编码到潜在空间（latent space），然后从这...
评论 3
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

与贰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值