从零上手变分自编码器（VAE）

阅读更多，欢迎关注公众号：论文收割机（paper_reader）

原文链接：从零上手变分自编码器（VAE）

• Kingma D P, Welling M. Auto-encoding variational bayes[J]. arXiv preprint arXiv:1312.6114, 2013.
• Rezende D J, Mohamed S, Wierstra D. Stochastic backpropagation and approximate inference in deep generative models[J]. arXiv preprint arXiv:1401.4082, 2014.

关于VAE，网上的教程很多，但是通俗易懂又直击本质的中文教程几乎没有。VAE虽然是一个深度学习模型，但在设计过程中利用了很多概率统计知识。很多教程仅仅是长篇大论地推导公式，或是直接指出它作为深度模型的结构和约束，然而对于VAE的设计动机，却很少有教程提及。

这篇文章不仅同时介绍了VAE作为深度模型和概率模型的两方面特征，还对作者进行设计的动机进行了仔细的解释。笔者水平有限错误难以避免，但是希望借撰写这篇文章的机会，能和读者一起更好地了解这一模型。

 

1. VAE的适用情境和动机

VAE (Variational Autocoder, 变分自编码器) 同GAN一样，是近年来一种常用的深度生成模型。该模型最早分别由Kingma等人和Rezende等人在ICLR 14' 和ICML14' 上独立发表。

• https://arxiv.org/abs/1312.6114 

• https://arxiv.org/abs/1401.4082

本文主要参照了Kingma的文章，对VAE的设计动机进行分析。

VAE作为一个生成模型，它的主要目的，就是为数据的隐变量加上先验。为了描述这一动机，我们可以参考如下的图模型：

其中，x是与训练数据对应的随机变量，而z对应的是影响数据分布的那些隐变量。

例如，对于手写数字识别这一问题，x对应的是数据集中的一张张图片，而z对应的是数据的标签，也就是这张图片所显示的数字是多少。显而易见，对于手写数字识别这个问题，每张图片中图案的形状，显然是由写字者想表达的数字来决定的。

或者说，每张写有数字“5” 的图片在形式上都大同小异，因为它们都想表达出 “数字5” 这一信息。而对于整个数据集来说，每张图片所表达的信息，也都是“数字0” ，“数字1” ，“数字2” …… “数字0”这10类其中之一。

因此，参数theta所对应的概率分布ptheta(z)，代表的是数据集内图片所表示的各种数字的联合概率分布情况，随机变量z代表代表单张图片所代表的数字，而x则代表这张图片各个点的像素值。

同样地，在其他任务中，z与x也可以被赋予其他不同的含义，例如z与x分别对应“语义—文本”， “疾病—症状” ，或是单纯用z来代表数据的某个表达，也都是可以的。

 

而作为无监督的生成模型，VAE的应用条件也非常宽松，只要有无标注的训练数据，再为隐变量设定一个先验概率分布，就可以进行训练了。训练完成后，我们能得到的结果也是两个：

1. 对训练数据的模拟，作为生成模型，VAE能生成与训练数据同分布的结果。

2. 隐变量本身。VAE能为数据集中每个数据生成一个隐变量z，通过对隐变量分布情况的分析，可以得到一些关于数据分布情况的结论。

在下两章，我们将从深度学习和概率模型两个视角讨论VAE的设计逻辑。对于只关心VAE长什么样子，该怎么使用的读者，可以跳过这两章阅读。

 

2. 深度学习视角的自编码器

自编码器是一种无监督的深度学习模型，用来学习训练数据的某种压缩表达。最基本的自编码器结构非常简单。如下图所示，自编码器由编码器和解码器两部分组成，通过编码器可以学出对原数据的压缩表达，再通过解码器复原出原数据。

这里得到的z确实是原数据x的压缩表达，但z却很难被看成是x对应的隐变量，因为第一，z和x之间不存在明显的因果关系，第二，z也不服从我们对隐变量的先验分布ptheta(z)。因此，VAE做出了两个改进。

第一个改进是，传统自编码器中都是直接生成z的值，而VAE是先生成一个关于z的概率分布q(z|x)，再用这个分布生成z。

 

第二个改进是，将隐变量z的分布情况也以KL散度的的形式加进模型的优化目标loss里。

这样当模型优化完成后，隐变量z的分布与先验分布之间的KL散度近似到0，我们就可以说隐变量z服从我们的先验了。

而这两个改进又带来了新的问题：从分布中采样这个操作是无法求偏导的，利用BP算法优化模型的时候，梯度传到这里就无法再计算下去了。作者在文章的后面利用Reparameterization trick解决了这一问题。

 

3. 概率模型视角的变分推断

VAE中实际上使用的概率图模型如下：

 

除了theta之外，图中引入了另外一个参数phi。这个模型的意义是这样的：数据x基于隐变量z生成，隐变量z服从参数为theta的分布ptheta(z)，但由于p(x)和p(z|x)难以估计，使得theta的值难以优化。

比如说，通过患者的症状估计患者所患的疾病，虽然这两者之间存在因果关系，但实际上两者之间关系是十分复杂的。

因此，我们引入另外一个参数phi和对应的分布qphi(z|x)，这是一个对复杂情况的简单估计。分布q往往是数学上容易计算的某些分布，phi是这个分布的参数。我们通过数据x来计算出phi，就能得到真实因果关系的一个近似。

在VAE中，通过x得到分布qphi(z|x)再得到z的这一过程被看做是编码器，而通过z还原x的这一过程，也就是从分布ptheta(x|z)中得出x的过程，被看做是解码器。

参数phi和theta就是深度网络模型中各个神经网络单元的参数，也就是我们要优化的参数。优化模型中参数phi和theta的过程如下，注意这里引入了变分下限：

 

这里应用了变分推断的技巧，等式左侧是数据集内某一条数据出现的概率的对数，是一个无法被计算的常数，等式右侧第一项KL散度表示qphi(z|x)对ptheta(z|x)的逼近程度，是我们想要优化（最小化）的对象，第二项往往被称作evidencelower bound (ELBO，变分下限)。优化的目标是使变分下限最大，这样在等式左侧不变的情况下，KL散度就能取到最小。

而在论文中，作者给出了该情况下变分下限的两种形式：

分别记为（1）式和（2）式。原本来说，对于这样的公式，只要对参数求偏导就可以优化了。然而对于这个两个式子，直接求偏导进行优化会导致结果的极大波动，被认为是不可行的。

 

论文中原文如下：The usual (naïve) MonteCarlo gradient estimator for this type of problem exhibits exhibits very highvariance and is impractical for our purposes. 

 

对于这一问题的具体分析，有兴趣的读者可以根据原文中提供的参考文献进一步了解。

笔者认为，这一问题的原因和深度学习视角中模型无法利用BP算法的原因是对应的。在深度模型中出现无法求偏导的采样操作，在图模型推导中，也对应出现了一个难以优化的概率期望E。为了解决这个问题，作者想出了一个叫做Reparameterization trick的技巧，使得对于某些常见的先验q(z|x)和p(z)（例如高斯分布），模型可以高效简洁地进行推断。

 

4. Reparameterization trick和两个视角的统一

以高斯分布为例，Reparameterization trick简单来说是这样的。

考虑从一个分布中抽样的过程：

这个过程显然是不可导的，但如果是从一个正态分布中抽样，该分布的均值和方差分别为μ和σ的话，上面的抽样过程就可以变换成下面的形式：

显然这两种抽样方法得到的z是同分布的。但是第二种方法显然可以针对参数μ和σ求偏导数。同样，将z=μ + σε带入变分下限的表达式中，也可以最优化变分下限。

论文中给出了应用Reparameterization trick后，对于变分下限的（1）形式，变分下限的近似值LA：

其中，函数g是应用Reparameterization trick后，通过x与ε计算z的关系式（在正态分布下就是z=μ+ σε），l是对于一条数据而言采样ε（其实也就是z）的次数。

在实际应用中数据量够大时，对每条数据采样1次就可以了。

之后可以进一步估计整个数据集中的边际似然下界：

 

其中N是数据集中数据个数，M是minibatch的大小。

 

论文中还给出了训练算法的minibatch形式：

然而，无论是在论文的示例中还是其他什么地方，上述的这些复杂的训练方法都很少被用到，换句话说，上面那些都没什么卵用:)。

真正被使用的是变分下限的（2）形式，也就是这个：

带入Reparameterization trick之后形式是这样的：

 

这个式子中的KL散度一项，在应用Reparameterization trick之后，往往能直接计算（论文后文只给出了当p和q都是高斯分布时的推导，其他分布时的推导还是要靠自己啊），而后面的期望一项，不正是训练自编码器时候的重建误差吗？

论文中还说，这个方法因为需要采样估计的地方更少，所以和上一个方法比起来还更容易收敛。

所以绕了一大圈，我们又回到了原点。VAE的主要结构如下（以高斯分布为例）：

 

其中μ和σ是在先验分布q为高斯分布时的参数，ε是从标准高斯分布中采样的结果。这个模型的loss也分为两部分组成，每部分形式和意义如下:

训练完成后，可以将隐变量z的分布做可视化，也可以利用解码器来生成更多数据。

 

5. 实例：手写数字识别

在这个例子?里，先验ptheta(z)是无参数的多元高斯分布 N(z, 0, I)。我们永远无法知道ptheta(z|x)是什么，但是qphi(z|x)的设置就自由得多。文中设置

其中μ(i)和σ(i)是在输入为x(i)的时候，编码器的输出。在这个实验里，编码器和解码器都是MLP。

训练完成后，将解码器单独搬出来，就可以用它生成数据了。还可以把生成的z进行可视化，看看训练的效果如何。

隐层可视化的常见效果如图，可以看到不同颜色的点在隐层被分为不同的几类。

 

6. 总结

这篇文章到此便结束了，算是对最经典的VAE进行了比较基础的解释。有很多具体细节限于篇幅没有讲清，因而读者如果有不懂的地方，还是要去看Kingma的原文。

但是希望读者们读了这篇文章之后，能够弄懂为什么模型要这样设计，以及VAE和原始的自编码器有什么本质上的不同。

 在写这篇文章的过程中，我参考了很多大神们的英文教程

• http://kvfrans.com/variational-autoencoders-explained/

• https://jaan.io/what-is-variational-autoencoder-vae-tutorial/），

也感谢实验室师兄的讲解。

阅读更多，欢迎关注公众号：论文收割机（paper_reader）