p ϕ p_\phi pϕ是理想情况下的概率，最优概率
p θ p_\theta pθ是现在模型的计算概率，向着最优靠近
log P θ ( x ) = log ∫ P θ ( z , x ) d z = log ∫ q ϕ ( z ∣ x ) P θ ( z , x ) q ϕ ( z ∣ x ) d z ≤ E q ϕ ( z ∣ x ) log P θ ( z , x ) q ϕ ( z ∣ x ) = L \log P_\theta(x)=\log\int P_\theta(z,x)dz\\ =\log\int q_\phi(z|x)\frac{P_\theta(z,x)}{q_\phi(z|x)}dz\le\mathbb{E}_{q_\phi(z|x)}\log\frac{P_\theta(z,x)}{q_\phi(z|x)}=L logPθ(x)=log∫Pθ(z,x)dz=log∫
这篇博客介绍了VAE（变分自编码器）的推导过程，通过解析最优概率pϕ和当前模型概率pθ的关系，展示了如何利用詹森不等式构建损失函数L。L被分解为两部分：重构误差和KL散度，揭示了在优化过程中如何平衡数据重建与模型复杂度之间的关系，以逼近真实的概率分布Pθ(x)。
最低0.47元/天 解锁文章
扫一扫
3623
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
