【深度理解變分自編碼器】

導(dǎo)讀自編碼器是一種非常直觀的無監(jiān)督神經(jīng)網(wǎng)絡(luò)方法，由編碼器和解碼器兩部分構(gòu)成，自編碼器近年來很受研究人員的歡迎。本文是機(jī)器學(xué)習(xí)工程師Jeremy撰寫的一篇非常棒的博文，介紹了變分自編碼器理論基礎(chǔ)和工作原理，通過人臉示例幫助讀者更直觀的理解。本文強(qiáng)調(diào)了變分自編碼器的理論推導(dǎo)和實(shí)現(xiàn)細(xì)節(jié)，在文末展示了變分自編碼器作為生成模型的輸出結(jié)果。希望深入理解變分自編碼器的讀者不妨讀一讀。

Variationalautoencoders

變分自編碼器

自編碼器是發(fā)現(xiàn)數(shù)據(jù)的一些隱狀態(tài)（不完整，稀疏，去噪，收縮）表示的模型。更具體地說，輸入數(shù)據(jù)被轉(zhuǎn)換成一個編碼向量，其中每個維度表示從數(shù)據(jù)學(xué)到的屬性。最重要的是編碼器為每個編碼維度輸出單個值，解碼器隨后接收這些值并嘗試重新創(chuàng)建原始輸入。

變分自編碼器（VAE）提供了描述隱空間觀察的概率方式。因此，我們不需要構(gòu)建一個輸出單個值來描述每個隱狀態(tài)屬性的編碼器，而是要用編碼器描述每個隱屬性的概率分布。

▌直覺

舉個例子，假設(shè)我們已經(jīng)在一個大型人臉數(shù)據(jù)集上訓(xùn)練了一個Autoencoder模型,encoder的維度是6。理想情況下，我們希望自編碼器學(xué)習(xí)面部的描述性屬性，比如膚色，人是否戴眼鏡，從而能夠用一些特征值來表示這些屬性。

通過這種方法，我們現(xiàn)在將給定輸入的每個隱屬性表示為概率分布。當(dāng)從隱狀態(tài)解碼時，我們將從每個隱狀態(tài)分布中隨機(jī)采樣，來生成向量作為解碼器的輸入。

注意：對于變分自編碼器，編碼器有時被稱為識別模型，而解碼器有時被稱為生成模型。

通過構(gòu)造我們的編碼器來輸出一系列可能的值（統(tǒng)計分布），然后隨機(jī)采樣該值作為解碼器的輸入，我們能夠?qū)W習(xí)到一個連續(xù)，平滑的隱空間。因此，在隱空間中彼此相鄰的值應(yīng)該與非常類似的重建相對應(yīng)。而從隱分布中采樣到的任何樣本，我們都希望解碼器理解,并準(zhǔn)確重構(gòu)出來。

▌統(tǒng)計動機(jī)

假設(shè)存在一些生成觀測值的隱藏變量。

我們只能看到，但我們想推斷的特征。換句話說，我們想計算。

我們想用一個比較簡單的分布來近似。如果我們可以確定的參數(shù)，又能保證它與非常相似，有時候就可以用來作近似推理。

KL散度是衡量兩個概率分布之間的差異的度量。因此，如果我們想確保與類似，我們可以使兩個分布之間的KL散度最小化。

第一項代表重建的似然估計，第二項確保我們學(xué)習(xí)到的分布q與真實(shí)的先驗分布p相似性。

https://www.youtube.com/watch?v=uaaqyVS9-rM&feature=youtu.be&t=19m42s

為了重新審視我們的圖模型，我們可以使用來推斷用于生成觀察的可能隱變量（即隱狀態(tài)）。我們可以進(jìn)一步將此模型構(gòu)造成神經(jīng)網(wǎng)絡(luò)架構(gòu)，其中編碼器學(xué)習(xí)從到的映射，并且解碼器模型學(xué)習(xí)從到的映射。

這個網(wǎng)絡(luò)的損失函數(shù)將包括兩個項，一個懲罰重建誤差（可以認(rèn)為是最大化重建可能性，如前所述），第二項鼓勵我們學(xué)習(xí)的分布與真實(shí)的分布相似。對于隱空間的每個維度，我們假設(shè)先驗分布遵循單位高斯分布。

▌實(shí)現(xiàn)

前面的章節(jié)，建立了變分自編碼器結(jié)構(gòu)的統(tǒng)計動機(jī)。在本節(jié)中，我將提供自己構(gòu)建這種模型的實(shí)現(xiàn)細(xì)節(jié)。

與在標(biāo)準(zhǔn)自編碼器中直接輸出隱狀態(tài)值不同，VAE的編碼器模型的輸出描述的是每個維度分布。既然我們假設(shè)先驗p(z)服從正態(tài)分布，我們將輸出兩個向量來描述隱狀態(tài)分布的均值和方差。如果我們要構(gòu)建一個真正的多元高斯模型，我們需要定義一個協(xié)方差矩陣來描述每個維度是如何相關(guān)的。但是，我們將做一個簡化的假設(shè)，即我們的協(xié)方差矩陣只在對角線上有非零值，這允許我們用簡單的向量來描述這些信息

然后，我們的解碼器將通過從這些定義的分布中抽樣來生成一個隱向量，并開始重建原始輸入。

但是，這個抽樣過程需要額外的關(guān)注。在訓(xùn)練模型時，我們使用反向傳播來計算網(wǎng)絡(luò)中每個參數(shù)與最終輸出損失之間的關(guān)系。但是，我們無法為隨機(jī)抽樣過程做到這一點(diǎn)。幸運(yùn)的是，我們可以利用一種稱為“Reparameterization”的聰明想法，即從單位高斯隨機(jī)抽樣ε，然后將隨機(jī)抽樣的ε乘以隱分布的均值μ，并用隱分布的方差σ對其進(jìn)行縮放。

通過這種Reparameterization，我們現(xiàn)在可以優(yōu)化分布的參數(shù)，同時仍然保持從該分布隨機(jī)采樣的能力。

注意：為了處理網(wǎng)絡(luò)可能學(xué)到的σ為負(fù)值這一事實(shí)，我們通常會通過網(wǎng)絡(luò)學(xué)習(xí)logσ并且指數(shù)化這個值來得到隱分布的方差。

▌隱空間的可視化

為了理解變分自編碼器模型的含義及其與標(biāo)準(zhǔn)自編碼器體系結(jié)構(gòu)的差異，檢驗隱空間是必要的,這篇博客文章介紹了關(guān)于這個主題的一個很好的討論，我將在本節(jié)中對此進(jìn)行總結(jié)。

變分自編碼器的主要優(yōu)點(diǎn)是我們能夠?qū)W習(xí)輸入數(shù)據(jù)的平滑隱狀態(tài)表示。對于標(biāo)準(zhǔn)的自編碼器，我們只需要學(xué)習(xí)一個編碼，它允許我們重現(xiàn)輸入。正如你在最左邊的圖中可以看到的，只關(guān)注重建損失確實(shí)允許我們分離出不同的類（在這種情況下是MNIST數(shù)字），這允許我們的解碼器模型能夠重現(xiàn)原始手寫數(shù)字，但是在隱空間中可能數(shù)據(jù)的分布是不均勻的。換句話說，隱空間中的某些區(qū)域并不代表我們觀察到的任何數(shù)據(jù)。

另一方面，如果我們只關(guān)心隱分布與先驗分布類似（通過我們的KL散度損失項），我們最終將使用相同的單位高斯描述每個觀測值，在隨后的抽樣和可視化,就會像上面中間的圖的樣子。換句話說，我們沒能描述原始數(shù)據(jù)。

但是，當(dāng)兩個式子同時優(yōu)化時，我們即希望有接近先驗分布的隱狀態(tài)來表述屬性，也希望重建誤差比較小。

當(dāng)我構(gòu)建一個變分自編碼器時，我喜歡檢查數(shù)據(jù)中的幾個樣本的隱維度以查看分布的特征。

如果我們觀察到隱分布非常狹窄，我們可以用參數(shù)β>1賦予KL散度項更高的權(quán)重，鼓勵網(wǎng)絡(luò)學(xué)習(xí)更廣泛的分布。這種簡單的觀察導(dǎo)致了一類新的模型-disentangledvariationalautoencoders的發(fā)展。事實(shí)證明，通過更加強(qiáng)調(diào)KL散度項，我們也隱含地強(qiáng)調(diào)學(xué)習(xí)的隱維度是不相關(guān)的（通過我們對對角協(xié)方差矩陣的簡化假設(shè)）。

▌變分自編碼器作為生成模型

通過從隱空間采樣，我們可以使用解碼器網(wǎng)絡(luò)形成一個生成模型，能夠創(chuàng)建類似于訓(xùn)練過程中觀察到的新數(shù)據(jù)。具體來說，我們將從先前的分布中采樣，假定它遵循單元高斯分布。

下圖顯示了在MNIST手寫數(shù)字?jǐn)?shù)據(jù)集上訓(xùn)練的變分自編碼器的解碼器網(wǎng)絡(luò)生成的數(shù)據(jù)。在這里，我們從二維高斯采樣了一個網(wǎng)格值，并展示了解碼器網(wǎng)絡(luò)的輸出。

正如你所看到的，每個獨(dú)立的數(shù)字都存在于隱空間的不同區(qū)域，并順利地從一個數(shù)字變換到另一個數(shù)字。如果您想要在兩個觀察點(diǎn)之間進(jìn)行插值，這種平滑轉(zhuǎn)換可能非常有用。