【周末AI课堂】理解变分自编码器 | 机器学习你会遇到的“坑”( 七 )

2019-01-27

，但在添加噪声，并经过训练之后，一片树叶和三片树叶的图片均对应着某个分布，处于这两个分布交叉部分的向量就有可能生成两片树叶的图片，因为从数值点到分布的转化就意味着要和两边都相似。同时，我们单纯利用解码器作为生成器的时候，需要给定服从该分布的随机向量，这样就有更大的可能性生成我们想要的图片。

最简单的办法是将隐藏的编码变为标准的高斯分布：

如图，在decoder阶段，新的编码变为了。

正态分布由均值和标准差确定，这两部分不可能人为确定，都可以从神经网络中学到，是从另外一个高斯分布中采样得到。其中，均值就是我们原本的编码，就是我们额外需要神经网络学到的量。

如果只是添加这样的结构，不对其他部分做任何改变，那么在网络的自动学习过程中，就会将学习而来的

直接变为零，新的编码等于旧的编码。这样就和以前的编码器一样，并不具有上述优点。

推荐阅读

上一篇：即是偶像派又是实力派，vivo NEX双屏版性能太全面

下一篇：公然炮轰小米，柔宇科技号称柔性屏之最！究竟名副其实吗？