深度生成模型之自编码器与变分自编码器 -＞（个人学习记录笔记）

已于 2024-03-14 19:07:43 修改
阅读量485 收藏 8
点赞数 6
分类专栏： 机器学习 文章标签： 学习 笔记
于 2024-01-02 10:56:38 首次发布
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。
本文链接：https://blog.csdn.net/Slience_me/article/details/135335564
版权

文章目录

深度生成模型之自编码器与变分自编码器

自编码器AE

1. 定义

  • Auto-Encoder，学习输入数据的有效编码

在这里插入图片描述

2. 自编码器的应用

  • 降维/可视化，去噪等

在这里插入图片描述

变分自编码器(VAE)

  • Variable Auto-Encoder

在这里插入图片描述

1. 理论求解

  • 给定一个样本x，求解对数边际似然logp(x|θ)

在这里插入图片描述

  • 期望值平均算法(Expectation-Maximum),用于求解含隐变量的参数估计

在这里插入图片描述

2. 模型求解

  • 使用神经网络来估计建模复杂的条件概率密度函数

在这里插入图片描述

  • 梯度下降法求解与近似

在这里插入图片描述

3. 优化目标

  • KL散度+样本重建损失

在这里插入图片描述

4. 再参数化策略

  • 随机变量反向传播问题

在这里插入图片描述

AE与VAE的对比

  • 变分自编码器与自编码器对比，虽然很相似，但原理不同

在这里插入图片描述

AE与VAE的主要局限性

  • 生成结果模糊，不够真实

在这里插入图片描述

  • 注意：部分内容来自阿里云天池
slience_me
关注
专栏目录
mlseminars-autoencoders：我的自动编码器演示文稿的Jupyter笔记本
02-04
7. **扩展与变种**：除了基础的自动编码器，还有其他变种，如稀疏编码器（Sparse Autoencoder）、变分自编码器（Variational Autoencoder, VAE）和生成对抗网络（Generative Adversarial Networks, GANs），它们在...
【机器学习】李宏毅——AE自编码器(Auto-encoder)
FavoriteStar的博客
09-18 3601
本文详细地讲解了什么是AE自编码器(Auto-encoder)，对其内部的原理和各种应用场景进行了叙述。
【人工智能概论】 自编码器（Auto-Encoder , AE）
qq_44928822的博客
01-21 4821
自编码器（Auto-Encoder , AE）
自动编码器（Autoencoders）
bunny___的博客
07-11 712
神经网络以各种形状和大小存在，并且通常以其输入和输出数据类型为特征。例如，图像分类器是用卷积神经网络构建的。它们将图像作为输入，并输出类的概率分布。 自动编码器是一类输入与输出相同的神经网络。它们的工作原理是将输入压缩到潜在空间表示中，然后从该表示中重建输出。
AE 自动编码器
qq_44457948的博客
04-27 2817
深度学习--自编码器(AE)、变分自编码器(VAE)
Javadayuge的博客
03-11 2885
提示：仅供自己学习、复习需要，有任何问题可在评论区提出。
自编码器AE全方位探析：构建、训练、推理与多平台部署
dsgdauigfs的博客
01-03 1114
自编码器（Autoencoder, AE）是一种数据的压缩算法，其中压缩和解压缩函数是数据相关的、有损的、从样本中自动学习的。自编码器通常用于学习高效的编码，在神经网络的形式下，自编码器可以用于降维和特征学习。本文详细介绍了自动编码器的理论基础、不同类型、应用场景以及实战部署。
fauxtograph:使用变分自动编码器进行潜像编码和生成的工具
05-04
即变体自动编码器，生成对抗网络，以及两者的最新开发组合（VAE / GAN）。 这些算法的内部工作原理的描述可以在下面找到 Kingma，Diederik P.和Max Welling。 “自动编码可变贝叶斯。” arXiv预印本arXiv：1312....
音频深度学习的听课笔记
04-17
4. 音乐生成：对抗性神经网络（GAN）和变分自编码器（VAE）可以用于音乐生成，创造出全新的旋律和和弦组合。 5. 声纹识别：通过深度学习，可以从个人的语音特征中提取声纹，实现身份验证或监控。 四、UrbanSound8k...
Python-关于深度强化学习的一系列博文的笔记本
08-11
4. 软 Actor-Critic（SAC）：SAC是一种基于现代变分自编码器理论的连续动作空间强化学习算法，它同时优化了预期的累积奖励和策略熵，以达到平衡探索与利用。 5. Proximal Policy Optimization（PPO）：PPO是基于...
机器学习个人笔记完整版v5.6-A4打印版_机器学习_
10-02
此外，可能还涉及了生成对抗网络（GANs）和变分自编码器（VAEs）等现代深度学习技术。 特征工程是机器学习流程中的关键步骤，笔记可能介绍了如何选择和提取有效的特征，以及如何进行数据预处理，如归一化、缺失值...
人工智能/机器学习基础知识——自编码器（AutoEncoder，AE）
WindGrin_的博客
04-14 741
人工智能/机器学习基础知识——自编码器（AutoEncoder，AE）
自编码器（AE）
满腹的小不甘
11-11 2929
自编码器可以理解为一个试图去还原其原始输入的系统，如下图所示，虚线蓝色框内就是一个自编码器模型，它由编码器（Encoder）和解码器（Decoder）两部分组成，本质上都是对输入信号做某种变换。 对于自编码器，我们往往并不关系输出是啥（反正只是复现输入），我们真正关心的是中间层的编码，或者说是从输入到编码的映射。可以这么想，在我们强迫编码y和输入x不同的情况下，系统还能够去复原原始信号x，那么说明编码y已经承载了原始数据的所有信息，但以一种不同的形式！这就是特征提取啊，而且是自动学出来的！实际上，自动
【有啥问啥】自编码器（Autoencoder, AE）：深入理解与应用
最新发布
Chauvin的博客
08-24 1474
自编码器（Autoencoder, AE）是一种通过无监督学习方式来学习数据有效表示的神经网络模型。其核心思想是通过编码器将输入数据压缩成低维潜在表示，然后通过解码器从该表示中重构出原始输入数据。自编码器在数据降维、特征提取、数据去噪、异常检测以及生成模型等领域均展现出卓越的性能。本文将深入探讨自编码器的原理、结构、变体、应用场景、实践案例和面临的挑战与机遇。
深度学习：AE自编码器详细解读（图文并茂，值得一看）
热门推荐
LEEANG121的博客
02-02 2万+
深度学习：AE自编码器详细解读（图文并茂，值得一看） 本文参照了大量的网上文献，提取出了关于AE自编码器最重要的概念部分整理而成，为了增加文章的可读性，文章搭配了大量的插图。 首先跟大家展示一下本文的流程： 如上所示，本文分为三个大的段落，其中每个大段落又包含详细的分支，且看下面详细分解。 自编码的过程简单的说可以分为两部分：输入到隐层的编码过程和隐层到输出的解码过程。 那么这个过程有什么意...
图自编码器（GAE）与变分图自编码器（VGAE）
小鱼的小窝
10-10 6282
在学习图自编码器之前先了解一下自编码器与变分自编码器。
自编码器(AE)与堆叠自编码器(SAE)
m0_56604962的博客
11-16 757
自编码器将输入信息作为学习目标进行表征学习(Representation Learning)，以获得有效的数据表示。AE作为无监督学习，由编码器与解码器构成，编码器负责将高维空间的输入映射到低维空间，而解码器将根据低维空间重构数据进行输出，见下图所示。aσW1​xb1​zxσW2​ab2​公式中，b和W分别标为编解码器的偏置与权重，σ表示激活函数。在重构特征时，通常使用平方误差或均方误差（MAE）等进行参数调整，见下面公式:θargθ​​min。
【模型学习-AE】自编码器、AE、AutoEncoder
HMTeen
03-26 508
【代码】【模型学习-AE】自编码器、AE、AutoEncoder。
深度学习笔记：机器翻译与神经网络架构
本文是《动手学深度学习》系列学习笔记的第四部分，主要涵盖了机器翻译及相关技术、注意力机制、Seq2seq模型以及Transformer。以下是深入讲解的关键知识点： 1. **机器翻译（Machine Translation, MT）与神经机器...
评论
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

slience_me

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