来源：知乎—胖西西 文仅分享，侵删
https://zhuanlan.zhihu.com/p/434394556
此总结首次完成于2021年4月25日，今日再次遇到vae模型推导问题，翻出一看，豁然开朗，故想分享于知乎社区，与大家共同分享，如有错误或不同见解请多多批评指正与交流。
摘要
VAE 模型 loss 的详细推导过程，变分自编码器的理解。
01
模型与说明
1.1 VAE模型基本网络结构
变分自编码器 (VAE) 由编码器和解码器两个部分组成。特征 x 输入编码器 生成编码特征 z，z 输入解码器 生成重构的 ; 通过生成角度来理解，该网络又可以分成推理网络和生成网络两部分。
图1:VAE模型, ( | )表示推断网络， ( | )表示的生成网络(公式格式存在问题)
1.2 与 的理解
是编码器/推理网络， 该分布是真实的、复杂的，也是我们想去逼近的；而 是我们自己定的，用来逼近或者约束 的一个分布， 是简单的，可主观决定的。
1.3 说明
变分自编码器所谓变分，指的是该模型存在泛函 ,解决该泛函问题需要采用变分法，也就是寻找一个函数/参数 。
02
公式推导
首先需要明确VAE模型的目的就是为了使得似然函数 最大。
2.1 使得似然函数 最大,为什么转化成使得 (变分下界)最大？
由贝叶斯定理：
公式1变形有:
公式2左右对 取 有：
变形有,其中 为任一分布
公式3两端对 求期望:
将公式4期望展开有:
由kl散度定义, 有:
令 ，并且由定义知道 有:
当且仅当 时, ,否则， ,将 视为一个以 为参数的泛函有：
改变 并不能影响 的大小，而且 大于 ，那么欲似然 更大，可从 下手，当 越大的情况下，似然 就会更大
所以可以来最大化 使得似然最大，使用神经网络的时候要注意，对 进行优化，优化目标使得 最小即可
2.2 对 再推导
因为对于 ， 与 独立，所以为了与encoder 接近，故将 ,修改为 ,有：
设重构的x服从于高斯分布( ),则有
设 服从于多元高斯分布 ,另 （认为设定的）服从于 的分布，有(15)式：
二阶矩为 ，所以有：
根据重构项和KL散度项的约束，我们可以得出（19）式
!!!!注意， 我们想让他越大越好，但在神经网络优化中，我们对 先取负，转化成- 再优化，此时，- 越小越好
03
总结
根据以往经验，容易犯错误的地方有，使用神经网络时候，一定要对ELBO先取负再优化！
很久之前发布的文件与代码
https://gitee.com/sulei_ustb/vae-model
猜您喜欢：
附下载 |《TensorFlow 2.0 深度学习算法实战》
1071
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
