本文介绍了变分自编码模型（VAE），包括自编码模型的基本概念和问题，以及VAE的直观理解与概率模型角度的解析。VAE通过将隐藏空间的编码分布约束为正态分布，解决了自编码模型的连续性和规则性问题，以减少信息损失并避免过拟合。
从暑假看到现在终于在<这篇文章>的帮助下搞懂了，期间看了无数的中文关于vae的博客文章，一个个基本上不是少讲了这个就是少讲了那个，最后总是搞不懂，还走了不少弯路，去研究变分推断本身，其实只是为了看懂vae的原理，是不必深度了解变分推断的。
话不多说，说正题，这里我只会讲下大概，具体的请看原始文章。
自编码模型
自编码模型是把原始特征压缩为中间维度，再讲中间维度解码为原始特征，最后衡量在这编码和解码的过程中损失了多少的信息，将这个损失的信息降到最低。
但是在这个过程中，模型可能会为了降低这个loss，就将训练集的内容死记硬背住了，所以在隐特征空间只有那么几个点有意义，大片的空间都变得没有意义。
变分自编码模型
直观理解
自编码模型有2个严重的问题：
- 没有连续性，训练集在隐藏空间投射的点有意义，但是其中大片的空间都是没有任何信息的
- 隐藏空间没有规则。
VAE就是解决这两个问题，与AE将x投射到隐藏空间为点不同，VAE将之投射为一个正态分布，这样整个空间都会弥散着这个x的信息，只不过信息浓度在正态分布的均值
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
