之前的文章介紹了ae和vae，指出了它們的優缺點。ae適合資料壓縮與還原，不適合生成未見過的資料。vae適合生成未見過的資料，但不能控制生成內容。本文所介紹的cvae（conditional vae）可以在生成資料時通過指定其標籤來生成想生成的資料。cvae的結構圖如下所示：
整體結構和vae差不多，區別是在將資料輸入encoder時把資料內容與其標籤(label)合併(cat)一起輸入，將編碼(z)輸入decoder時把編碼內容與資料標籤(label)合併(cat)一起輸入。注意label並不參與loss計算，cvae的loss和vae的loss計算方式相同（input和output的mse loss以及\(\mathcal\left(\mu_{}, \sigma_{}^2\right)\)與\(\mathcal\left(0, 1\right)\)的kl loss）
因此我們在生成資料時，可以先從正態分佈取樣，然後cat上你想生成的資料的label，一起送入decoder，就能生成和label類似的資料。
有關cvae的**實現：github
從正態分佈取樣100個latent並選擇期望生成的的標籤，把它們cat以後一起輸入訓練好的decoder
標籤為1時：
標籤為9時：
VAE變分自動編碼器
它本質上就是在我們常規的自編碼器的基礎上，對encoder的結果 在vae中對應著計算均值的網路 加上了 高斯雜訊 使得結果decoder能夠對雜訊有魯棒性 而那個額外的kl loss 目的是讓均值為0，方差為1 事實上就是相當於對encoder的乙個正則項，希望encoder出來的東西均有零均值。...
自動編碼器
自動編碼器基本概念 自動編碼器 autoencoder 是神經網路的一種,一般來講自動編碼器包括兩部分 編碼器和解碼器,編碼器和解碼器相互串聯合作,實現資料的降維或特徵學習,現在也廣泛用於生成模型中.在深度學習中，autoencoder可用於在訓練階段開始前，確定權重矩陣的初始值.左側為encode...
自動編碼器（Autoencoder）
autoencoder是一種無監督的學習演算法，主要用於資料的降維或者特徵的抽取，在深度學習中，autoencoder可用於在訓練階段開始前，確定權重矩陣 w 的初始值。神經網路中的權重矩陣 w可看作是對輸入的資料進行特徵轉換，即先將資料編碼為另一種形式，然後在此基礎上進行一系列學習。然而，在對權重...