重要性加权自动编码器的性能比VAE差

文章/答案/技术大牛

发布

1回答

machine-learning、pytorch、autoencoder、unsupervised-learning、bayesian-networks

我一直在caltech silhouettes数据集上实现VAE和IWAE模型，并且遇到了一个问题，即VAE的性能略高于IWAE ( VAE的测试LL约为120，IWAE的测试约为133)。我不认为应该是这样的，根据理论和实验产生的here。我希望有人能在我的实现方式中发现一些问题，这是导致这种情况的原因。我用来近似q和p的网络与上面附录中详细描述的网络相同。model_typ

浏览 58提问于2020-04-01得票数 1

1回答

您认为解码器编码器FCN可以替代内核卷积算法吗？

machine-learning、conv-neural-network、convolution、autoencoder、image-preprocessing

我想尝试实现一个自动编码器完全连接的卷积神经网络作为Unet，以将一幅图像转换为另一幅具有未知非线性关系的图像。我有高斯核卷积算法，它工作得很好，但我想尝试一些机器学习的方法。你有没有其他的ANN架构的想法？没有标准的完全连接的ANN (已经尝试了很好的效果)，非常感谢

浏览 13提问于2020-01-16得票数 0

1回答

为什么VAE编码器输出日志方差而不是标准差？

deep-learning、autoencoder

当谈到VAE (并查看VAE实现)时，编码器输出：当我们训练模型( decoder model)的一部分)时，我们将log(variance)转换成标准差：(我从这里举了一个例子：https://github.com/AntixK/PyTorch-VAE/blob/master/models/vanilla_vae.py)

浏览 0提问于2022-12-26得票数 1

1回答

Beta变分AutoEncoders

python、neural-network、keras、autoencoder

我关注了中的变分自动编码器部分。我在我的项目中的第一个任务是重新生成一些矢量，它们表示网格布局是如何划分的。因此，我创建了自己的数据集，其中至少包含5000行维度(1,36)的向量。这些矢量表示6x6的网格布局。因此，我使用了一些数据集作为我的模型的训练集，这是变分自动编码器。然后，由于我的项目任务要求我使用Disentangled VA

浏览 8提问于2018-08-08得票数 1

回答已采纳

1回答

如何使用变分自动编码器的μ和σ与用户生成的z？

autoencoder

我对VAE的理解是，与自动编码器不同，它并不直接给出离散编码(潜在代码向量n- dim )，而是同时给出了mu和sigma ( n- dim均值向量和n-dim标准差向量)。这成为我的z，由我的解码器解码，以产生一个新的图像。我的VAE是在服装数据集上训练的。现在，如果我在数据集中的每个数据上运行我的VAE编码器，我会得到每个

浏览 0提问于2019-12-02得票数 1

1回答

变分自动编码器可以用于非图像数据吗？

deep-learning、autoencoder、data-augmentation、data-generation

我有一个关于变分自动编码器(VAE)的问题谢谢。

浏览 5提问于2022-02-03得票数 0

1回答

简单二进制数据自动编码器的丢失与精度

keras、mean、autoencoder、loss

我试图理解和提高变分自动编码器的丢失和准确性。我用一个简单的二进制数据填充了自动编码器：sent_encoded = encoder.predict(np.array(test), batch_size = batch_size) sent_decoded =我不明

浏览 0提问于2018-04-11得票数 0

1回答

如何重新训练变分式自动编码器并再现相同的结果

python、tensorflow、autoencoder、random-seed

我用自动编码器来学习tensorflow的表示法。实验有不同的自动编码器(自动编码器、变分自动编码器(VAE)、多模态自动编码器和多模态VAE)。我想把这些自动编码器的模型留给将来的再现实验或者使用这些学习的表示。我的第一个策略是使用&qu

浏览 2提问于2021-07-01得票数 2

1回答

自动编码器与变分式自动编码器的图像生成

autoencoder、image-generation

当我们使用卷积自动编码器生成新的图像时，模型是否在每次运行该模型时都生成相同的图像？还是会产生随机变化的图像？我认为，每次运行模型时，自动编码器(AE)都会生成相同的新图像，因为它将输入图像映射到潜在空间中的单个点。另一方面，变分自动编码器(VAE)将输入图像映射到一个分布。因此，如果我们需要一些随机变化的图像，我们需要使用VAE，如果我们每次运

浏览 14提问于2021-09-17得票数 0

1回答

变分自动编码器与变压器的比较

machine-learning、deep-learning、autoencoder、transformer

我对这一领域还比较陌生，但我想知道变分式自动编码器与变压器相比是如何运行的呢？

浏览 0提问于2022-01-08得票数 5

1回答

VAE中KL发散而不是交叉熵的原因

machine-learning、deep-learning、loss-function、autoencoder、vae

我理解KL散度是如何为我们提供一个度量一个概率分布与另一个参考概率分布是如何不同的。但是为什么它们在VAE中(而不是交叉熵)被特别使用(这是生成的)？

浏览 0提问于2020-09-24得票数 4

2回答

将自动编码器转换为变分自动编码器？

python、neural-network、autoencoder

我想比较一下自动编码器和变分式自动编码器的训练。我已经用AE进行了训练。我想知道是否有可能将这个AE转换成一个VAE，并保持相同的输出和输入。谢谢。

浏览 0提问于2019-03-11得票数 9

回答已采纳

1回答

创建MLP模型来预测用户使用PyTorch给未看过的电影的评分

python、deep-learning、pytorch、autoencoder、recommendation-engine

在我的项目中，我试图根据用户给其他电影的评分来预测用户对一部看不见的电影的评分。我使用的是movielens dataset.The主文件夹，它是ml-100k，包含关于100,000 的信息。在对数据进行处理之前，主要数据(分级数据)包含用户ID、电影ID、用户评等(从0到5，以及该项目考虑的).I，然后使用sklearn库将数据拆分为培训集(80%)和测试数据(20%)。我使用的是PyTorch，代码是在Google 上实现的。这

浏览 2提问于2020-07-10得票数 0

回答已采纳

3回答

什么是自动编码器？

machine-learning、neural-network、deep-learning、autoencoder

我的重点是深生成模型，特别是自动编码器和变分自动编码器(VAE)。📷 关于V

浏览 0提问于2020-08-17得票数 7

回答已采纳

1回答

基于深度学习的异构数据匹配特性研究

python、deep-learning、artificial-intelligence

我面临的问题是，我希望匹配彼此相似的属性(房屋/公寓等)(例如经度和纬度(数字)、卧室(数字)、地区(类别)、条件(分类)等)。使用深度学习。数据是异构的，因为我们混合了数字和分类数据，而问题是无监督的，因为我们没有使用任何标签。我的目标是获得属性相似性的度量，这样我就可以为每个目标属性找到最匹配的属性。我可以使用KNN，但我想使用一些可以让我找到嵌入并使用深度学习的东西。我想我可以确定一个混合距离度量，比如Gower距离作为损失函数，但是我如何建立一个模型

浏览 1提问于2019-10-25得票数 1

1回答

为什么我的变分自动编码器只产生正值？

pytorch、autoencoder

我复制了来构建一个变分自动编码器(VAE)。该示例使用图像，但我将其用于包含负值的信号。训练后，自动编码器只重建信号的正部分，不产生负值。有人能找出问题的所在或解释为什么会这样吗？

浏览 4提问于2022-04-05得票数 0

回答已采纳

1回答

如何使用变分自动编码器作为特征抽取器？

tensorflow、machine-learning、keras、feature-extraction、autoencoder

我想使用我在图像数据集上训练的VAE作为另一个任务的特征提取器，这样我就可以用我的VAE替换一个用于特征提取的ResNet。我用哪几层来做这个？使用“标准”自动编码器，您只需使用编码网络，但是由于VAE的潜在层由均值和分布组成，我不知道应该使用哪些层进行特征提取。有人知道如何使用VAE作为特征提取器吗?使用不同的组件应该考虑什么？

浏览 4提问于2020-11-10得票数 0

回答已采纳

4回答

变分自动编码器在使用KL散度时，为每个输入mnist图像提供相同的输出图像。

deep-learning、pytorch、autoencoder、bayesian-networks、loss-function

在不使用KL散度项的情况下，VAE对mnist图像的重建几乎是完美的，但在存在随机噪声的情况下，无法正确地生成新的mnist图像。当使用KL发散项时，VAE在重建和生成图像时都会给出同样奇怪的输出。def loss_function(recon_x, x, mu, logvar): BCE = F.binary_cross_entropy(recon_x,mu.pow(2) - logvar.exp(

浏览 0提问于2018-05-30得票数 7

回答已采纳

1回答

最小化kl散度(即保持接近后向接近先前)是否与避免后倾的目标相矛盾？

vae

\forall x: q_{\phi}(z_i|x) \approx p(z_i)方向的变化分布塌陷。z变得独立于x。我们希望在培训VAE时避免这种情况。当边对数似然上的变分下界最大化时，我们希望最小化kl-散度：KL(q_\phi(z|x)||p(z))。这就是保持近似的后验接近于先前。要有一个紧密的界限，KL=0。(我觉得我在这里混淆了一些概念，但不确定到底是什么。)

浏览 0提问于2023-01-09得票数 1

2回答

变分自动编码器是否只基于潜在的表示进行分布？

tensorflow、deep-learning、autoencoder、generative-adversarial-network

如果我的变分自动编码器(Vae)的潜在表示为r，而我的数据集为x，那么vae的潜在表示是否遵循基于r或x的归一化？If r= 10，这意味着它有10种均值和方差(多点分布)，并且分布来自于数据的全部数据x？或r = 10基于r构造一个分布，并且每个样本都试图遵循这个分布的。我搞不懂哪一个是对的

浏览 8提问于2022-07-24得票数 -2

点击加载更多