代碼實現: 基於tensorflow2.2實現,代碼見github。
參考文獻
1. Auto-Encoding Variational Bayes
2. 變分自編碼器VAE:原來是這麼一回事 | 附開源代碼
基於潛變量的生成模型
模型聯合概率分佈可表示爲pθ(x,z)=pθ(x∣z)pθ(z),模型的生成過程爲
z∼pθ(z)⟹x∼pθ(x∣z)
考慮一個獨立同分布數據集X={x(i)}i=1N,我們假設數據的生成過程爲:
- 基於先驗分佈pθ(z)生成隨機變量z;
- 基於條件概率分pθ(x∣z)生成樣本x;
然而,我們很難獲取因變量z的分佈,如先驗概率分佈pθ(z∣x)=pθ(x∣z)pθ(z)/pθ(x)難以計算。
使用後驗概率分佈qϕ(z∣x)作爲真實後驗概率分佈pθ(z∣x)的近似,將qϕ(z∣x)可作爲編碼器,即給定樣本x下,生成包含所有可能的編碼z,並可通過編碼z重新生成樣本x。同樣地,將pθ(x∣z)作爲解碼器,即給定編碼z,生成與x對應的分佈。
再看一下,傳統高斯混合模型的生成思想:
p(x)=z∑p(z)p(x∣z)
式中p(z)∼N(0,I),p(x∣z)∼N(μ(z),σ(z))。
我們從標準正太分佈中採樣一個z,再根據z計算對應各高斯混合基模型的均值和方差,就可以利用高斯混合模型生成x。但是這種模型顯然沒有利用到監督樣本數據,即如何將採樣z對應到x?模型的損失函數是什麼?
VAE的思想是,每個樣本都有自己特定的正太分佈q(z∣x),我們有理由學習一個解碼器/生成器,把從特定正太分佈採樣的z還原爲x。 我們可從特定分佈q(z∣x)中隨機採樣,生成各式各樣與x類似的樣本,爲了使模型具備通用生成能力(不根據真實樣本),我們希望所有的q(z∣x)都近似於標準正太分佈,這樣我們就可以從標準正太分佈中採樣,生成隨機樣本。
變分邊界與目標函數
獨立同分布數據集對數似然爲
logpθ(x(1),⋯,x(N))=x∑logpθ(x)
對於單個樣本
logpθ(x)=∫zqϕ(z∣x)logpθ(x)dz=∫zqϕ(z∣x)log(qϕ(z∣x)pθ(z,x)pθ(z∣x)qϕ(z∣x))dz=∫zqϕ(z∣x)log(qϕ(z∣x)pθ(x∣z)pθ(z))dz+∫zqϕ(z∣x)log(pθ(z∣x)qϕ(z∣x))dz=Lb+DKL(qϕ(z∣x)∣∣∣∣pθ(z∣x))=−DKL(qϕ(z∣x)∣∣∣∣pθ(z))+Eqϕ(z∣x)[logpθ(x∣z)]+DKL(qϕ(z∣x)∣∣∣∣pθ(z∣x))
因爲KL散度爲不小於0的距離度量,因此Lb爲目標函數下界。因爲目標函數值與qϕ(z∣x)無關,調整qϕ(z∣x)最大化Lb,目標函數值不改變,但目標函數第二項KL散度趨近於0,若繼續調整pθ(x∣z)以最大化Lb,則目標函數值很有可能增加。因此,最大化目標函數的下界Lb即可,第三項KL散度可忽略。
VAE模型結構
訓練過程中,編碼器爲每個樣本x生成對應正太分佈的均值和方差,表示樣本來自於N(μ(z),σ(z)),解碼器將從N中的採樣,重構回對應的樣本x。
同一樣本在不同mini-batch中對應不同的分佈,模型爲了更好重構,傾向於將編碼器輸出方差至爲0,這樣就喪失了隨機性,即模型喪失樣本生成能力,退化爲普通的AutoEncoder。因此,VAE約束所有編碼向量服從標準正太分佈,從而防止噪聲爲零。
由於
−DKL(N(μ,σ2∣∣∣∣N(0,1)))=21(logσ2−μ2−σ2+1)
如果,我們強制令pθ(z)服從標準正太分佈,最大化目標函數等價於最大化
21(−logσ2+μ2+σ2−1)+Eqϕ(z∣x)[logpθ(x∣z)]
其中,第一項爲 正則化損失,它有助於學習具有良好結構的潛在空間;第二項爲 重構損失,它迫使解碼後的樣本匹配初始輸入,如mnist數據集規範化爲[0, 1]區間,解碼器使用sigmoid輸出,則此項爲交叉熵。
此外,採樣操作不可導,模型實現使用 重參數技巧:
ϵ∼N(0,1)⟹μ+ϵ×σ∼N(μ,σ2)
根據編碼器生成樣本的均值和方差,但是我們不能直接生成對應的正太分佈,再從中採樣作爲編碼器輸出,因爲採樣過程不可導。換種思路,從標準正太分佈中採樣數據(作爲樣本數據不參與求導),根據編碼器輸出將其變換到對應的正太分佈,再作爲編碼器輸出。
神經網絡實現VAE