程序代码:
https://download.csdn.net/download/do_it_123/88935691
VAE网络模型如图所示,输入X通过编码器网络计算得到隐变量z的均值与方差,通过 Reparameterization Trick 方式采样获得隐变量z,并送入解码器网络,获得分布
,并计算误差并优化参数。
本节我们基于 VAE 模型实战 Fashion MNIST 图片的重建与生成。如图所示,输入为 Fashion MNIST 图片向量,经过 3 个全连接层后得到隐向量的均值与方差,分别用两个输出节点数为 20 的全连接层表示, FC2 的 20 个输出节点表示 20 个特征分布的均值向量, FC3 的 20 个输出节点表示 20 个特征分布的取log后的方差向量。通过Reparameterization Trick 采样获得长度为 20 的隐向量,并通过 FC4 和 FC5 重建出样本图片。
VAE 作为生成模型,除了可以重建输入样本,还可以单独使用解码器生成样本。通过从先验分布中直接采样获得隐向量,经过解码后可以产生生成的样本。
网络训练
网络固定训练 100 个 Epoch,每次从 VAE 模型中前向计算获得重建样本,通过交叉熵损失函数计算重建误差项,计算
,并自动求导和更新整个网络模型。
图片生成
图片生成只利用到解码器网络,首先从先验分布中采样获得隐向量,再通过解码器获得图片向量,最后 Reshape 为图片矩阵。
图片重建的效果如图 12.15、 图 12.16、 图 12.17 所示,分别显示了在第 1、 10、 100
个 Epoch 时,输入测试集的图片,获得的重建效果,每张图片的左 5 列为真实图片,右 5列为对应的重建效果。图片的生成效果图 12.18、 图 12.19、 图 12.20 所示,分别显示了在第 1、 10、 100 个 Epoch 时,图片的生成效果。
备注
简介此部分摘自互联网,仅供参考,若侵权,联系删除
创作不易,相关程序,说明文档需求,如需要,可加作者新联系方式,WX:Q3101759565,QQ:3101759565[多加几次!!!]
祝您学业有成!工作顺利! 年薪百万!