基于Fashion MNIST数据集上变分自编码器(VAE)图像生成

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!