变分自编码器（VAE）原理解析-CSDN博客

本文链接：https://blog.csdn.net/weixin_41171061/article/details/106193160

变分自编码器（VAE）是一种隐变量模型，它假设数据由不可观察的潜在变量生成。VAE利用多层神经网络逼近高斯分布的隐变量，并通过重参数化技巧进行优化。与传统的高斯混合模型（GMM）不同，VAE处理的是连续、高维的随机变量。训练好的VAE可以用于生成样本。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

VAE是一种隐变量模型

隐变量模型

广义上的隐变量主要就是指“不能被直接观察到，但是对系统的状态和能观察到的输出存在影响的一种东西”。
隐变量(latent variable)代表了隐因子(latent factor)的组合关系。

已知： 数据集 $D_X$ ，其中每个点都属于空间 $X_S$ 。隐变量 $Z∈Z_S$ 。
假设： 有两个变量， $z∈Z_S$ 和 $x∈X_S$ 。存在一个确定性函数族 $f (z; θ)$ ，族中的每个函数由 $\theta\in\Theta$ 唯一确定， $f:Z_S×Θ→X_S$ 。当 $θ$ 固定、 $z$ 是一个概率密度函数为 $P_z(z)$ 的随机变量时， $f (z; θ)$ 就是定义在 $X_S$ 上的随机变量 $x$ ，对应的概率密度函数可以写成 $g (x)$ 。
目标： 优化 $θ$ ，从而寻找到一个 $f$ ，它是随机变量 $x$ 的采样、和 $X$ 非常的像。
注意：
(1) $x$ 是一个变量, $D_X$ 是已知的数据集， $x\notin D_X$ 。
(2) $f$ 把隐变量 $z$ 映射成 $x$ 变量，而 $x$ 变量就是与数据集 $D_X$ 具有直接关系的随机变量，这个直接关系可以表示成 $P_x(D_X|x)$ 。则数据集为 $D_X$ 存在的概率 $P_t(D_X)=∫P_x(D_X|x)g(x)dx$ 。