变分自编码（VAE）及代码解读

这几天在看GAN模型的时候，顺便关注了另外一种生成模型——VAE。其实这种生成模型在早几年就有了，而且有了一些应用。著名黑客George Hotz在其开源的自主驾驶项目中就应用到了VAE模型。这其中的具体应用在我上一篇转载的博客comma.ai中有详细介绍。在对VAE基本原理有一个认识后，就开始啃代码了。在代码中最能直观的体现其思想，结合理论来看，有利于理解。理论介绍，网上资料很多，就不赘述了。

基本网络框架：

下面是基于keras的VAE代码解读：（自己加了一层，发现收敛的快一点了，附实验结果）

[html] view plaincopy

<span style="font-size:14px;">from __future__ import division
from __future__ import print_function
import os.path
import numpy as np
np.random.seed(1337) # for reproducibility
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST')
input_dim = 784
hidden_encoder_dim_1 = 1000
hidden_encoder_dim_2 = 400
hidden_decoder_dim = 400
latent_dim = 20#（latent Variable）
lam = 0
def weight_variable(shape):
initial = tf.truncated_normal(shape, stddev=0.001)
return tf.Variable(initial)
def bias_variable(shape):
initial = tf.constant(0., shape=shape)
return tf.Variable(initial)
x = tf.placeholder("float", shape=[None, input_dim])##input x
l2_loss = tf.constant(0.0)
#encoder1 W b
W_encoder_input_hidden_1 = weight_variable([input_dim,hidden_encoder_dim_1])##784*1000
b_encoder_input_hidden_1 = bias_variable([hidden_encoder_dim_1])#1000
l2_loss += tf.nn.l2_loss(W_encoder_input_hidden_1)
# Hidden layer1 encoder
hidden_encoder_1 = tf.nn.relu(tf.matmul(x, W_encoder_input_hidden_1) + b_encoder_input_hidden_1)##w*x+b
#encoder2 W b
W_encoder_input_hidden_2 = weight_variable([hidden_encoder_dim_1,hidden_encoder_dim_2])##1000*400
b_encoder_input_hidden_2 = bias_variable([hidden_encoder_dim_2])#400
l2_loss += tf.nn.l2_loss(W_encoder_input_hidden_2)
# Hidden layer2 encoder
hidden_encoder_2 = tf.nn.relu(tf.matmul(hidden_encoder_1, W_encoder_input_hidden_2) + b_encoder_input_hidden_2)##w*x+b
W_encoder_hidden_mu = weight_variable([hidden_encoder_dim_2,latent_dim])##400*20
b_encoder_hidden_mu = bias_variable([latent_dim])##20
l2_loss += tf.nn.l2_loss(W_encoder_hidden_mu)
# Mu encoder=+
mu_encoder = tf.matmul(hidden_encoder_2, W_encoder_hidden_mu) + b_encoder_hidden_mu##mu_encoder:1*20(1*400 400*20)
W_encoder_hidden_logvar = weight_variable([hidden_encoder_dim_2,latent_dim])##W_encoder_hidden_logvar:400*20
b_encoder_hidden_logvar = bias_variable([latent_dim])#20
l2_loss += tf.nn.l2_loss(W_encoder_hidden_logvar)
# Sigma encoder
logvar_encoder = tf.matmul(hidden_encoder_2, W_encoder_hidden_logvar) + b_encoder_hidden_logvar#logvar_encoder:1*20(1*400 400*20)
# Sample epsilon
epsilon = tf.random_normal(tf.shape(logvar_encoder), name='epsilon')
# Sample latent variable
std_encoder = tf.exp(0.5 * logvar_encoder)
z = mu_encoder + tf.mul(std_encoder, epsilon)##z_mu+epsilon*z_std=z,as decoder's input;z:1*20
W_decoder_z_hidden = weight_variable([latent_dim,hidden_decoder_dim])#W_decoder_z_hidden:20*400
b_decoder_z_hidden = bias_variable([hidden_decoder_dim])##400
l2_loss += tf.nn.l2_loss(W_decoder_z_hidden)
# Hidden layer decoder
hidden_decoder = tf.nn.relu(tf.matmul(z, W_decoder_z_hidden) + b_decoder_z_hidden)##hidden_decoder:1*400(1*20 20*400)
W_decoder_hidden_reconstruction = weight_variable([hidden_decoder_dim, input_dim])##400*784
b_decoder_hidden_reconstruction = bias_variable([input_dim])
l2_loss += tf.nn.l2_loss(W_decoder_hidden_reconstruction)
KLD = -0.5 * tf.reduce_sum(1 + logvar_encoder - tf.pow(mu_encoder, 2) - tf.exp(logvar_encoder), reduction_indices=1)##KLD
x_hat = tf.matmul(hidden_decoder, W_decoder_hidden_reconstruction) + b_decoder_hidden_reconstruction##x_hat:1*784(reconstruction x)
BCE = tf.reduce_sum(tf.nn.sigmoid_cross_entropy_with_logits(x_hat, x), reduction_indices=1)##sum cross_entropy
loss = tf.reduce_mean(BCE + KLD)##average value
regularized_loss = loss + lam * l2_loss
loss_summ = tf.scalar_summary("lowerbound", loss)##Record the stored value of loss
train_step = tf.train.AdamOptimizer(0.01).minimize(regularized_loss)##Optimization Strategy
# add op for merging summary
summary_op = tf.merge_all_summaries()
# add Saver ops
saver = tf.train.Saver()
n_steps = int(1e5+1)##step:1000000
batch_size = 100
with tf.Session() as sess:
summary_writer = tf.train.SummaryWriter('experiment',
graph=sess.graph)##draw graph in tensorboard
#if os.path.isfile("save/model.ckpt"):
# print("Restoring saved parameters")
#saver.restore(sess, "save/model.ckpt")
#else:
# print("Initializing parameters")
sess.run(tf.initialize_all_variables())
for step in range(1, n_steps):
batch = mnist.train.next_batch(batch_size)
feed_dict = {x: batch[0]}
_, cur_loss, summary_str = sess.run([train_step, loss, summary_op], feed_dict=feed_dict)
summary_writer.add_summary(summary_str, step)
if step % 50 == 0:
save_path = saver.save(sess, "save/model.ckpt")
print("Step {0} | Loss: {1}".format(step, cur_loss))
# save weights every epoch
#if step % 100==0 :
# generator.save_weights(
# 'mlp_generator_epoch_{0:03d}.hdf5'.format(epoch), True)
#critic.save_weights(
# 'mlp_critic_epoch_{0:03d}.hdf5'.format(epoch), True)
##Step 999900 | Loss: 114.41309356689453
##Step 999950 | Loss: 115.09370422363281
##Step 100000 | Loss: 124.32205200195312 ##Step 99700 | Loss: 116.05304718017578
#1000 encode hidden layer=1 Step 950 | Loss: 159.3329620361328
#1000 encode hidden layer=2 Step 950 | Loss: 128.81312561035156
</span>

变分自编码器参考资料：

1.变分自编码器（Variational Autoencoder, VAE）通俗教程 – 邓范鑫——致力于变革未来的智能技术 http://www.dengfanxin.cn/?p=334

2.VAE variation inference变分推理清爽介绍 http://mp.weixin.qq.com/s/9lNWkEEOk5vEkJ1f840zxA

3.深度学习变分贝叶斯自编码器（上下） https://zhuanlan.zhihu.com/p/25429082

变分自编码（VAE）及代码解读相关推荐

单指标时间序列异常检测——基于重构概率的变分自编码（VAE）代码实现（详细解释）
1. 编写目的不少论文都是基于VAE完成的异常检测,比如 Donut .Bagel.尽管 Donut 实现的模型很容易通过继承于重写父类方法的方式实现一个 VAE-baseline,并且 Bagel ...
变分自编码器VAE ——公式推导(含实现代码)
目录一.什么是变分自编码器二.VAE的公式推导三.重参数化技巧一.什么是变分自编码器在讲述VAE(variational auto-encoder)之前,有必要先看一下AE(auto- ...
变分自编码器VAE：一步到位的聚类方案
作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP,神经网络个人主页丨kexue.fm 由于 VAE 中既有编码器又有解码器(生成器),同时隐变量分布又被近似编码为标准正态分布,因此 V ...
VGAE（Variational graph auto-encoders）论文及代码解读
一,论文来源论文pdf Variational graph auto-encoders 论文代码 github代码二,论文解读理论部分参考: Variational Graph Auto-Enc ...
变分自编码器VAE：这样做为什么能成？
作者丨苏剑林单位丨广州火焰信息科技有限公司研究方向丨NLP,神经网络个人主页丨kexue.fm 话说我觉得我自己最近写文章都喜欢长篇大论了,而且扎堆地来.之前连续写了三篇关于 Capsule 的 ...
【Pytorch神经网络实战案例】14 构建条件变分自编码神经网络模型生成可控Fashon-MNST模拟数据
1 条件变分自编码神经网络生成模拟数据案例说明在实际应用中,条件变分自编码神经网络的应用会更为广泛一些,因为它使得模型输出的模拟数据可控,即可以指定模型输出鞋子或者上衣. 1.1 案例描述在变分自 ...
【Pytorch神经网络实战案例】13 构建变分自编码神经网络模型生成Fashon-MNST模拟数据
1 变分自编码神经网络生成模拟数据案例说明变分自编码里面真正的公式只有一个KL散度. 1.1 变分自编码神经网络模型介绍主要由以下三个部分构成: 1.1.1 编码器由两层全连接神经网络组成,第一 ...
【神经网络】变分自编码大杂烩
1.变分自编码变分是数学上的概念,大致含义是寻求一个中间的函数,通过改变中间函数来查看目标函数的改变.变分推断是变分自编码的核心,那么变分推断是要解决的是什么问题?? 问题描述如下,假如我们有一批样 ...
4.keras实现--生成式深度学习之用变分自编码器VAE生成图像(mnist数据集和名人头像数据集)...
1.VAE和GAN 变分自编码器(VAE,variatinal autoencoder) VS 生成式对抗网络(GAN,generative adversarial network) 两者不 ...
BERT：代码解读、实体关系抽取实战
目录前言一.BERT的主要亮点 1. 双向Transformers 2.句子级别的应用 3.能够解决的任务二.BERT代码解读 1. 数据预处理 1.1 InputExample类 1.2 In ...

变分自编码（VAE）及代码解读

变分自编码（VAE）及代码解读相关推荐

最新文章

热门文章