CVAE——生成0-9数字图像（Pytorch+mnist）

1、简介

• CVAE（Conditional Variational Autoencoder，条件变分自编码器）是一种变分自编码器（VAE）的变体，用于生成有条件的数据。在传统的变分自编码器中，生成的数据是完全由潜在变量决定的，而CVAE允许在生成过程中引入外部条件信息。
• 具体来说，CVAE在生成数据时，除了使用随机采样的潜在变量外，还会接收一个额外的条件信息。这个条件信息可以是类别标签、属性信息、或者其他形式的上下文信息，取决于具体的任务。通过将条件信息作为输入提供给编码器和解码器，CVAE能够生成与条件信息相关的数据。
• CVAE在许多任务中都很有用，例如图像生成中的类别条件生成、属性编辑、生成特定风格的图像等。通过引入条件信息，CVAE使得生成的数据更具有控制性和可解释性。
• 本文利用CVAE，输入数字图像和对应的标签。训练后，生成0-9数字图像。
  • （epoch=10）
  • （epoch=20）
  • （epoch=30）

2、代码

• import torch
  import torch.nn as nn
  import torch.optim as optim
  import torchvision
  import torch.nn.functional as F
  from torchvision.utils import save_image
  
  
  # 变分自编码器
  class CVAE(nn.Module):
      def __init__(self):
          super(CVAE, self).__init__()
          self.labels = 10  # 标签数量
  
          # 编码器层
          self.fc1 = nn.Linear(input_size + self.labels, 512)  # 编码器输入层
          self.fc2 = nn.Linear(512, latent_size)
          self.fc3 = nn.Linear(512, latent_size)
  
          # 解码器层
          self.fc4 = nn.Linear(latent_size + self.labels, 512)  # 解码器输入层
          self.fc5 = nn.Linear(512, input_size)  # 解码器输出层
  
      # 编码器部分
      def encode(self, x):
          x = F.relu(self.fc1(x))  # 编码器的隐藏表示
          mu = self.fc2(x)  # 潜在空间均值
          log_var = self.fc3(x)  # 潜在空间对数方差
          return mu, log_var
  
      # 重参数化技巧
      def reparameterize(self, mu, log_var):  # 从编码器输出的均值和对数方差中采样得到潜在变量z
          std = torch.exp(0.5 * log_var)  # 计算标准差
          eps = torch.randn_like(std)  # 从标准正态分布中采样得到随机噪声
          return mu + eps * std  # 根据重参数化公式计算潜在变量z
  
      # 解码器部分
      def decode(self, z):
          z = F.relu(self.fc4(z))  # 将潜在变量 z 解码为重构图像
          return torch.sigmoid(self.fc5(z))  # 将隐藏表示映射回输入图像大小，并应用 sigmoid 激活函数，以产生重构图像
  
      # 前向传播
      def forward(self, x, y):  # 输入图像 x，标签 y 通过编码器和解码器，得到重构图像和潜在变量的均值和对数方差
          x = torch.cat([x, y], dim=1)
          mu, log_var = self.encode(x)
          z = self.reparameterize(mu, log_var)
          z = torch.cat([z, y], dim=1)
          return self.decode(z), mu, log_var
  
  
  # 使用重构损失和 KL 散度作为损失函数
  def loss_function(recon_x, x, mu, log_var):  # 参数：重构的图像、原始图像、潜在变量的均值、潜在变量的对数方差
      MSE = F.mse_loss(recon_x, x.view(-1, input_size), reduction='sum')  # 计算重构图像 recon_x 和原始图像 x 之间的均方误差
      KLD = -0.5 * torch.sum(1 + log_var - mu.pow(2) - log_var.exp())  # 计算潜在变量的KL散度
      return MSE + KLD  # 返回二进制交叉熵损失和 KLD 损失的总和作为最终的损失值
  
  
  def sample_images(epoch):
      with torch.no_grad():  # 上下文管理器，确保在该上下文中不会进行梯度计算。因为在这里只是生成样本而不需要梯度
          number = 10
          # 生成标签
          sample_labels = torch.arange(10).long().to(device)  # 0-9的标签
          sample_labels_onehot = F.one_hot(sample_labels, num_classes=10).float()
          # 生成随机噪声
          sample = torch.randn(number, latent_size).to(device)  # 生成一个形状为 (64, latent_size) 的张量，其中包含从标准正态分布中采样的随机数
          sample = torch.cat([sample, sample_labels_onehot], dim=1)  # 连接图片和标签
  
          sample = model.decode(sample).cpu()  # 将随机样本输入到解码器中，解码器将其映射为图像
          save_image(sample.view(number, 1, 28, 28), f'sample{epoch}.png', nrow=int(number / 2))  # 将生成的图像保存为文件
  
  
  if __name__ == '__main__':
      batch_size = 512  # 批次大小
      epochs = 30  # 学习周期
      sample_interval = 10  # 保存结果的周期
      learning_rate = 0.001  # 学习率
      input_size = 784  # 输入大小
      latent_size = 64  # 潜在变量大小
  
      # 载入 MNIST 数据集中的图片进行训练
      transform = torchvision.transforms.Compose([torchvision.transforms.ToTensor()])  # 将图像转换为张量
  
      train_dataset = torchvision.datasets.MNIST(
          root="~/torch_datasets", train=True, transform=transform, download=True
      )  # 加载 MNIST 数据集的训练集，设置路径、转换和下载为 True
  
      train_loader = torch.utils.data.DataLoader(
          train_dataset, batch_size=batch_size, shuffle=True
      )  # 创建一个数据加载器，用于加载训练数据，设置批处理大小和是否随机打乱数据
  
      # 在使用定义的 AE 类之前，有以下事情要做:
      # 配置要在哪个设备上运行
      device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
  
      # 建立 CVAE 模型并载入到 CPU 设备
      model = CVAE().to(device)
  
      # Adam 优化器，学习率
      optimizer = optim.Adam(model.parameters(), lr=learning_rate)
  
      # 训练
      for epoch in range(epochs):
          train_loss = 0
          for batch_idx, (data, labels) in enumerate(train_loader):
              data = data.to(device)  # 将输入数据移动到设备（GPU 或 CPU）上
              data = data.view(-1, input_size)  # 重塑维度
  
              labels = F.one_hot(labels, num_classes=10).float().to(device)  # 转换为独热编码
              # print(labels[1])
  
              optimizer.zero_grad()  # 进行反向传播之前，需要将优化器中的梯度清零，以避免梯度的累积
  
              # 重构图像 recon_batch、潜在变量的均值 mu 和对数方差 log_var
              recon_batch, mu, log_var = model(data, labels)
  
              loss = loss_function(recon_batch, data, mu, log_var)  # 计算损失
              loss.backward()  # 计算损失相对于模型参数的梯度
              train_loss += loss.item()
  
              optimizer.step()  # 更新模型参数
  
          train_loss = train_loss / len(train_loader)  # # 计算每个周期的训练损失
          print('Epoch [{}/{}], Loss: {:.3f}'.format(epoch + 1, epochs, train_loss))
  
          # 每10次保存图像
          if (epoch + 1) % sample_interval == 0:
              sample_images(epoch + 1)
  
          # 每训练10次保存模型
          if (epoch + 1) % sample_interval == 0:
              torch.save(model.state_dict(), f'vae{epoch + 1}.pth')