VAE全面理解（上）

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 · 9.5w 阅读

223 ·

CC 4.0 BY-SA版权

文章标签：

#VAE

本文详细介绍了变分自编码器（VAE）的基本概念，对比了VAE与GAN的区别，并探讨了其工作原理。VAE是一种生成模型，能够将低维向量映射到高维真实数据，通过隐性因素的分布采样生成新样本。与GAN相比，VAE的生成效果可能略模糊，但其建模思路更为复杂，体现了理科思维的艺术。此外，VAE的编码器通过产生置信分布区间，使得生成从未见过的数据成为可能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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。当然认知水平的高低不可能一蹴而就，我希望下次我继续读这个内容的时候又会有新的理解。

1）关于VAE还是AEV

在上一篇博客中，我主要学习的是《Auto encoding variational bayes》这篇文章，所以我自作主张的讲它缩写为AEV。这几天，在大量阅读相关文献博客期间，发现，卧槽，人家叫VAE，全称variational auto encoding。经验主义害死人，看文献细看几眼总归是不会有错的。

言归正传，那么什么是VAE呢？简单来讲，一个可以和GAN相媲美的生成网络。我们可以输入一个低维空间的Z，映射到高维空间的真实数据。比如，生成不同样的数字，人脸，卡通头像等等。