PyTorch生成式人工智能（17）——变分自编码器详解与实现
- 0. 前言
- 1. 潜空间运算
- 2. 变分自编码器
- 2.1 自编码器与变分自编码器对比
- 2.2 模型训练流程
- 3. 构建变分自编码器
- 3.1 模型构建
- 3.2 模型训练
- 3.3 生成图像
- 4. 向量运算
- 小结
- 系列链接
0. 前言
虽然自编码器 (AutoEncoder, AE) 在重建输入数据方面表现良好，但通常在生成训练集中不存在的新样本时表现不佳。更重要的是，自编码器在输入插值方面同样表现不佳，无法生成两个输入数据点之间的中间表示。这就引出了变分自编码器 (Variational Auto-Encoder, VAE)。
本节将从零开始构建和训练一个 VAE，用于生成人脸图像，使用 eyeglasses 数据集训练 VAE。VAE 的编码器将大小为 3 × 256 × 256 = 196,608 个像素的图像压缩成一个 100 维的概率向量，每个维度遵循正态分布，解码器则根据这个概率向量重建图像。训练好的 VAE 不仅能够复制训练集中的人脸，还能够生成新的面孔。
1. 潜空间运算
使用变分自编码器 (Variational Auto-Encoder, VAE) 可以进行向量运算和输入插值。操作不同输入的编码表示(潜向量)，以在解码时实现特定的结果(例如
![[AI-video] 数据模型与架构 | LLM集成](http://pic.xiahunao.cn/[AI-video] 数据模型与架构 | LLM集成)
)
