基于变分的自编码器(variational Autoencoder)是2014由Kingma等人提出的一种基于变分贝叶斯推断的生成网络。与传统的生成网络相比它具有两点优势:
1。避免了复杂的边界似然概率(太难了,谁会算啊)
2。避免了马尔科夫链的采样过程(好像最近很火生成对抗网络也避免了这个)
1. 生成器网络
对于一堆我们收集到的样本,这些样本在默认情况下来自一个独立的同分布,也就是我们常说的iid。我们不妨把这个概率分布记作
p(x)
,然而想搞清楚这个概率分布是很难的,因为我们要对这个概率的边缘分布进行积分。于是乎,就有高人想到了能不能用一个简单的概率分布去近似我们未知的复杂概率,于是乎就有人将这个概率命名为
q(x)
。有了这两个概率以后,需要建立一种度量方式来比较两个概率分布的相似程度,因此给出出这两个概率分布的潜变量的产生概率的KL散度
KL(p||q)=∑plogpq
2. 边分边界
当我有了两个概率分布的评价模型以后,需要做的就是优化。首先将KL散度进行拆分:
∑p(z|x)logp(z|x)q(z|x)=∑p(z|x)logp(z|x)−p(z|x)logq(z|x)
根据贝叶斯公式,
p(z|x)=p∗x|z)p(z)p(x)
KL=∑p(z|x)[logq(z|x)−logp(x,z)]+logp(x)
其中,中间含有
∑
的一项可以看做是相关分布在概率分布
p(z|x)
下的期望。我们可以将这一项记为
L
重写一下式子,通过变形可以得到:
logp(x)=KL+L
其中
L
就是这个Kl分布
假设我们的概率优化的够好,让我们的变分下界尽可能的大,那么我们的KL散度就会越来越小,两个概率分布的相似性就会越来越好。
logp(x)≥L=Eq(z|x)[−logq(z|x)+logp(x,z)]
通过一系列变换,结合贝叶斯,可以得到
L=−KL(q(z|x)||p(z))+Eq(z|x)[logp(x|z)]
3. 变分自编码器
上面的式子可以简写成
Eq(z|x)[f(z)]
,也就是将原分布看做一个关于z的函数,记为
z=g(ϵ,x)
,在x是已知的情况下,我们的整个z的产生将由
ϵ
决定。
针对自编码器的结构,我们采用多维标准高斯进行逼急z的后验分布
q(z|x)
结合keras中的vae代码进行分析:
@author: sky
"""
'''This script demonstrates how to build a variational autoencoder with Keras.
Reference: "Auto-Encoding Variational Bayes" https://arxiv.org/abs/1312.6114
'''
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
from keras.layers import Input, Dense, Lambda
from keras.models import Model
from keras import backend as K
from keras import objectives
from keras.datasets import mnist
batch_size = 100
original_dim = 784
latent_dim = 2
intermediate_dim = 256
nb_epoch = 50
epsilon_std = 1.0
#定义模型初始化
x = Input(batch_shape=(batch_size, original_dim))
h = Dense(intermediate_dim, activation='relu')(x)
z_mean = Dense(latent_dim)(h)
z_log_var = Dense(latent_dim)(h)
#建立一个连接模型,这里的z_mean代表了高斯分布的均值,z_log_var代表了高斯分布方差的对数表达。
def sampling(args):
z_mean, z_log_var = args
epsilon = K.random_normal(shape=(batch_size, latent_dim), mean=0.,
std=epsilon_std)
return z_mean + K.exp(z_log_var / 2) * epsilon
#建立一个采样方程,最终返回一个生成的z
# note that "output_shape" isn't necessary with the TensorFlow backend
z = Lambda(sampling, output_shape=(latent_dim,))([z_mean, z_log_var])
decoder_h = Dense(intermediate_dim, activation='relu')
decoder_mean = Dense(original_dim, activation='sigmoid')
h_decoded = decoder_h(z)
#将采样后的z映射到隐含层中(可以参考AE)
x_decoded_mean = decoder_mean(h_decoded)
#对隐含层的h进行解码得到重构样本x
def vae_loss(x, x_decoded_mean):
xent_loss = original_dim * objectives.binary_crossentropy(x, x_decoded_mean)
kl_loss = - 0.5 * K.sum(1 + z_log_var - K.square(z_mean) - K.exp(z_log_var), axis=-1)
return xent_loss + kl_loss
#定义整个模型的损失函数,包括了让采样尽可能的靠近标准高斯分布和隐含层的解码值与原始样本更加接近。
vae = Model(x, x_decoded_mean)
vae.compile(optimizer='rmsprop', loss=vae_loss)
# train the VAE on MNIST digits
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train = x_train.astype('float32') / 255.
x_test = x_test.astype('float32') / 255.
x_train = x_train.reshape((len(x_train), np.prod(x_train.shape[1:])))
x_test = x_test.reshape((len(x_test), np.prod(x_test.shape[1:])))
vae.fit(x_train, x_train,
shuffle=True,
nb_epoch=nb_epoch,
batch_size=batch_size,
validation_data=(x_test, x_test))
这样就可以实现VAE的训练