理解变分自编码器VAE

VAE的理解 转述记录

参考文章 https://arxiv.org/pdf/1312.6114.pdf https://dfdazac.github.io/01-vae.html https://spaces.ac.cn/tag/vae/ https://cloud.tencent.com/developer/article/1096650

自编码模型，输入是数据X,经过网络生成中间变量，然后通过中间表示，再去生成数据X’，最终是使用重构Loss,让输入数据X与生成数据X’之间差距变小。

VAE将自编码模型做了改进，输入数据是X,然后求X下的一个高斯分布，如何求呢，使用了两个神经网络，分别预测了X下均值μ和方差σ，这样就形成了均值μ，方差σ一个高斯分布，然后正常想法是，将这个高斯分布进行随机取样作为中间表示（隐向量），【相比于自编码器，在高斯分布中随机取值呢能够使得输入相同数据，得到的中间表示形式是在一个高斯范围内的，这使得可以操纵中间表示（隐向量），通过改变一个样本的编码而产生一定程度的局部变化，导致在局部尺度上潜在空间的平滑，即产生相似的样本。】然后再去生成数据X’,但是随机取样这个行为，在网络里是不可导的，所以采用了重采样技术，通过添加服从0~1分布的高斯噪声ε，利用μ+σε来代替随机采样的行为，也就是，相当于ε是随机参数，这样网络就可以优化μ和σ这两个参数，μ+σε成为一种中间表示，（sampling from Z~N(μ, σ^2) is the same as sampling from μ + σX, X~(0,1)）再去生成对应于该分布下的输出数据X’。整个网络的损失，一部分是跟自编码器一样的重构损失，目的是为了保证X和X’的一致性。另一方面是希望预测的高斯分布与标准正太分布趋近，所以求其KL损失。

KL损失公式

原始的自编码模型，会使得两个类别之间的推理表示不能生成合理结果，也可以说没有泛化性，例如：已有0和8这两个数字的编码，我们对这两个编码进行加权求值得到一个中间表示，放到解码器中，自编码模型没有办法预测合理结果。这是因为在原始自编码器中，不同数字的中间表示（隐向量）之间完全没有重叠，因此无法生成中间结果 。如下如的1和7的编码聚类结果之间没有重叠。

VAE模型通过使用让中间表示从X预测的高斯分布分布中采样，从而来增加中间表示的噪声（采样过程中获得的噪声），同时这增加了不同类别之间的重叠度，使得网络能够学习到几个不同类别之间生成图像的变化。

可以自己思考下下面问题

为什么要求高斯分布？

为什么要求分布要趋近正态分布？