当前位置：首页 > news >正文

VAE--part1

news 文章来源：https://blog.csdn.net/weixin_43845922/article/details/129325063 2024/11/1 12:35:07

Variational Auto-Encoder, VAE__part1

分布变换
VAE慢谈
- VAE 初现
- 分布标准化
重参数技巧
VAE的本质是什么？
- VAE的本质结构
- 正态分布？
- 变分在哪里

参考博客仅做学习记录，侵删

分布变换

VAE和GAN都是生成式模型，它们俩的目标基本一致：希望构建一个从隐变量Z，来生成目标数据X的模型，但实现上有所不同。

更准确地讲，它们是假设Z服从了某些常见的分布(比如：正态分布或均匀分布)，然后希望训练一个模型X=g(Z), g为生成器generator, 这个模型可以将原来的概率分布映射到训练集的概率分布，即，它们的目的都是进行分布之间的变换。
在这里插入图片描述

生成模型的难题就是判断生成分布与真实分布的相似度，因为我们只知道两者的采样结果，不知道它们的分布表达式。

那现在假设 Z 服从标准的正态分布，那我们就可以从中采样得到若干个 $Z1,Z2,Z3,⋯,ZnZ_{1}, Z_{2}, Z_{3},\cdots, Z_{n}$ , 然后输入到生成器中，得到 $X^1=g(Z1),X^2=g(Z2),⋯X^n=g(Zn)\hat{X}_{1}=g(Z_{1}), \hat{X}_{2}=g(Z_{2}), \cdots\hat{X}_{n}=g(Z_{n})$ , 我们怎么判断这个通过 $g$ 构造出来的数据集，它的分布跟我们目标的数据集分布是不是一样的呢？

思考：
Q1：KL散度用来衡量两个分布之间的相似度，用KL散度可以吗？
答：不行，因为 KL 散度是根据两个概率分布的表达式来算它们的相似度的，然而目前我们并不知道它们的概率分布的表达式。

我们只有一批从构造的分布采样而来的数据{ $X^1,X^2,X^3,⋯,X^n\hat{X}_{1}, \hat{X}_{2}, \hat{X}_{3},\cdots, \hat{X}_{n}$ }, 还有一批从真实的分布采样而来的数据{ $X1,X2,X3,⋯,XnX_{1}, X_{2}, X_{3},\cdots, X_{n}$ }, 即训练集，我们只有样本本身，没有分布表达式，当然也就没有办法算 KL 散度。

虽然遇到困难，但还是要想办法解决的。GAN 的思路很直接粗犷：既然没有合适的度量，那我干脆把这个度量也用神经网络训练出来吧。

VAE慢谈

首先我们有一批数据样本{ $X1,X2,⋯,XnX_{1}, X_{2}, \cdots, X_{n}$ }，其整体用 X 来描述，我们本想根据{ $X1,X2,⋯,XnX_{1}, X_{2}, \cdots, X_{n}$ }得到 X 的分布 p(X), 如果能得到的话，那我直接根据 p(X) 来采样，这样就可以得到所有的 X 了(包括{ $X1,X2,⋯,XnX_{1}, X_{2}, \cdots, X_{n}$ }之外的 $X_{i}$ ), 这是一个终极理想的生成模型了。

当然，这个理想很难实现，于是我们将分布改一改：
$p(X)=∑Zp(X∣Z)p(Z)①p(X)=\sum_{Z}p(X|Z)p(Z)\quad\quad①$

这里我们就不区分求和还是求积分了，意思对了就行。此时 p(X|Z) 就描述了一个由 Z 来生成 X的模型，而我们假设 Z 服从标准正态分布，也就是 $p (Z) = N (0, I)$ 。如果这个理想能实现，那么我们就可以先从标准正态分布中采样一个 Z，然后根据 Z 来算一个 X，也是一个很棒的生成模型。

接下来就是结合自编码器来实现重构，保证有效信息没有丢失，再加上一系列的推导，最后把模型实现。框架的示意图如下:
在这里插入图片描述
上图的疑惑所在：

对于上图的话，我们其实完全不清楚：究竟经过重新采样出来的 $Z_{k}$ ，是不是还对应着原来的 $X_k$ ，所以我们如果直接最小化 $D(X^k,Xk)2D(\hat{X}_k, X_k)^2$ （这里 D 代表某种距离函数）是很不科学的，而事实上你看代码也会发现根本不是这样实现的。

VAE 初现

其实，在整个 VAE 模型中，我们并没有去使用 p(Z)（先验分布）是正态分布的假设，我们用的是假设 p(Z|X)（后验分布）是正态分布。

具体来说，给定一个真实样本 $X_k$ ，我们假设存在一个专属于 $X_k$ 的分布 $p(Z|X_k)$ （学名叫后验分布），并进一步假设分布 $p(Z|X_k)$ 是(独立的、多元的)正态分布。

为什么要强调“专属”呢？因为我们后面要训练一个生成器 X=g(Z)，希望能够把从分布 $p(Z|X_k)$ 采样出来的一个 $Z_k$ 还原为 $X_k$ 。

如果假设 p(Z) 是正态分布，然后从 p(Z) 中采样一个 Z，那么我们怎么知道这个 Z 对应于哪个真实的 X 呢？现在 $p(Z|X_k)$ 专属于 $X_k$ ，我们有理由说从这个分布采样出来的 Z 应该要还原到 $X_k$ 中去。

事实上，在论文 Auto-Encoding Variational Bayes 的应用部分，也特别强调了这一点：

In this case, we can let the variational approximate posterior be a multivariate Gaussian with a diagonal covariance structure:
$log⁡qϕ(z∣xi)=log⁡N(z;μi,σi2I)②\log q_{\phi}(z|x_{i})=\log N(z;\mu_{i}, \sigma^{2}_{i}I)\quad②$
论文中的上式是实现整个模型的关键，不知道为什么很多教程在介绍 VAE 时都没有把它凸显出来。尽管论文也提到 p(Z) 是标准正态分布，然而那其实并不是本质重要的。

再次强调，这时候每一个 $X_k$ 都配上了一个专属的正态分布，才方便后面的生成器做还原。但这样有多少个 X 就有多少个正态分布了。我们知道正态分布有两组参数：均值 $μ\mu$ 和方差 $σ2\sigma^{2}$ （如果X为向量的话，则 $μ\mu$ 和 $σ2\sigma^{2}$ 都是向量）。

那怎么找出专属于 $X_k$ 的正态分布 $p(Z|X_k)$ 的均值和方差呢？好像并没有什么直接的思路。

好吧，就用神经网络来拟合出来。这就是神经网络时代的哲学：难算的我们都用神经网络来拟合，在 WGAN 那里我们已经体验过一次了，现在再次体验到了。

于是我们构建了两个神经网络 $μk=f1(Xk),log⁡σ2=f2(Xk)\mu_{k}=f_{1}(X_{k}), \log \sigma^{2}= f_{2}(X_{k})$ 来求 $μ\mu$ 和 $σ\sigma$ 。我们选择拟合 $log⁡σ2\log \sigma^{2}$ , 而不是直接拟合 $σ2\sigma^{2}$ , 是因为 $σ2\sigma^{2}$ 总是非负的，需要加激活函数处理，而拟合 $log⁡σ2\log \sigma^{2}$ 不需要加激活函数，因为它可正可负。

具体这个是咋用神经网络去求 $μ,σ\mu,\sigma$ 呢？可以参看下图
或者可以去看这篇博客：用VAE生成图像会得到更深刻的理解

到这里，我能知道专属于 $X_k$ 的均值和方差了，也就知道它的正态分布长什么样了，然后从这个专属分布中采样一个 $Z_k$ 出来，然后经过一个生成器得到 $X̂_k=g(Z_k)$ 。
其实就是：
$Zk=μ+ϵ∗σ,ϵ∼N(0,1)③Z_{k} = \mu + \epsilon*\sigma,\quad\quad\epsilon\sim N(0,1)\quad\quad③$
也可以写成： $Zk=μ+ϵ∗e12.log⁡σ2,ϵ∼N(0,1)④Z_{k} = \mu + \epsilon*e^{\frac{1}{2}.\log \sigma^2},\quad\quad\epsilon\sim N(0,1)\quad④$ ，这俩式子本质都是一样的。

现在我们可以放心地最小化 $D(X̂_k,X_k)^2$ ，因为 $Z_k$ 是从专属 $X_k$ 的分布中采样出来的，这个生成器应该要把开始的 $X_k$ 还原回来。于是可以画出 VAE 的示意图：
在这里插入图片描述
事实上，VAE 是为每个样本构造专属的正态分布，然后采样来重构。

分布标准化

让我们来思考一下，根据上图的训练过程，最终会得到什么结果。

首先，我们希望重构 X，也就是最小化 $D(X̂_k,X_k)^2$ ，但是这个重构过程受到噪声的影响，因为 $Z_k$ 是通过重新采样过的，即上面式子③ $Zk=μ+ϵ∗σ,ϵ∼N(0,1)Z_{k} = \mu + \epsilon*\sigma,\quad\epsilon\sim N(0,1)$ ，不是直接由 encoder 算出来的,直接由encoder算出来的是 $μ,σ\mu, \sigma$ （或者 $log⁡σ2\mathrm{\log \sigma^2}$ ）。

显然噪声会增加重构的难度，不过好在这个噪声强度（也就是方差 $σ\sigma$ ）通过一个神经网络算出来的，所以最终模型为了重构得更好，肯定会想尽办法让方差为0。即让这个Z 更接近 X。

但是由 $Zk=μ+ϵ∗σ,ϵ∼N(0,1)Z_{k} = \mu + \epsilon*\sigma,\quad\epsilon\sim N(0,1)$ 可知，当 $σ=0\sigma=0$ 时，也就没有随机性了，即固定有 $Z=μZ=\mu$ ，所以不管怎样采样其实都只是得到确定的结果(也就是均值 $μ\mu$ )，只拟合一个当然比拟合多个要容易，而均值是通过另外一个神经网络算出来的。

说白了，模型会慢慢退化为普通的AE(autoEncoder)，噪声不再起作用。

但是自编码器AE不能随意产生合理的潜在变量，从而导致它无法产生新的内容。因为潜在变量Z都是编码器从原始图片中产生的。这样不就白费力气了吗？说好的生成模型呢？
在这里插入图片描述
别急别急，其实 VAE 还让所有的 p(Z|X) 都向标准正态分布看齐，这样就防止了噪声为零，同时保证了模型具有生成能力。即不能都是 $Z=μZ=\mu$ ,

那为什么这样就可以保证“生成能力”了呢？ 如果所有的 p(Z|X) 都很接近标准正态分布 N(0,I)，那么根据定义：
$p(Z)=∑Xp(Z∣X)p(X)=∑XN(0,I)p(X)=N(0,I)∑Xp(X)=N(0,I)⑤p(Z)=\sum_{X}p(Z|X)p(X)=\sum_{X}N(0,I)p(X)=N(0,I)\sum_{X}p(X)=N(0,I)\quad⑤$

这样我们就能达到我们的先验假设：p(Z) 是标准正态分布。然后我们就可以放心地从 N(0,I) 中采样来生成图像了。

为什么符合先验假设p(Z)是标准正态分布，就可以放心从N(0,I)中采样生成图像了呢？
答：个人理解是：如下图中的{ $Z1,Z2⋯,Z6Z_1,Z_2\cdots,Z_6$ }都是从N(0,I)中采样得到的，然后通过生成器可以得到{ $X1^,X2^,⋯X6^\hat{X_1},\hat{X_2},\cdots\hat{X_6}$ }（假设已经经过训练好了），那就是说训练后我们认为训练的还不错，即 $Xi^≈Xi\hat{X_i}\approx X_i$ ,即生成样本和真实样本很像，即符合真实样本的分布。这个时候拿训练好的模型，然后从标准正态分布N(0,I)中随机采样Z，然后inference得到生成的样本也就可以认为是符合真实样本的分布了。

在这里插入图片描述
为了使模型具有生成能力，VAE要求每个p(Z|X)都向正态分布看齐。

那怎么让所有的 p(Z|X) 都向 N(0,I) 看齐呢？如果没有外部知识的话，其实最直接的方法应该是在重构误差的基础上中加入额外的 loss：

$Lμ=∥f1(Xk)∥2⑥\mathcal{L}_{\mu}=\left\|f_{1}\left(X_{k}\right)\right\|^{2} \quad ⑥$
$Lσ2=∥f2(Xk)∥2⑦\mathcal{L}_{\sigma^{2}}=\left\|f_{2}\left(X_{k}\right)\right\|^{2}\quad⑦$

因为它们分别代表了均值 $μk\mu_k$ 和方差的对数 $log⁡σ2\log \sigma^2$ ，达到N(0,I)就是希望 $Lμ\mathcal{L}_{\mu}$ 和 $Lσ2\mathcal{L}_{\sigma^{2}}$ 尽量接近于0。不过，这又会面临着这两个损失的比例要怎么选取的问题，选取得不好，生成的图像会比较模糊。

说明：
1.希望 $Lμ\mathcal{L_{\mu}}$ 尽量接近于0
首先要知道 $f_{1}(X_{k})$ 就是指：用神经网络求出来的 $μ\mu$ ，那自然是希望 $μ\mu$ 越接近0了。
2.为啥希望 $Lσ2\mathcal{L}_{\sigma^{2}}$ 也尽量接近于0呢？
$f_{1}(X_{k})$ 就是指：用神经网络求出来的 $log⁡σ2\log \sigma^2$ 。
因为是希望 $σ≈1\sigma\approx1$ , 那就是 $log⁡σ2≈0\log \sigma^2\approx0$ 。

所以，原论文直接算了一般（各分量独立的）正态分布与标准正态分布的 KL 散度 $KL(N(μ,σ^2)‖N(0,I))$ 作为这个额外的 loss，计算结果为：

$Lμ,σ2=12∑i=1d(μ(i)2+σ(i)2−log⁡σi2−1)⑧\mathcal{L}_{\mu,\sigma^2}=\frac{1}{2}\sum_{i=1}^{d}(\mu_{(i)}^{2}+\sigma_{(i)}^{2}-\log \sigma_{i}^{2}-1)\quad⑧$

这里的 d 是隐变量 Z 的维度，而 $μ_{(i)}$ 和 $σ_{(i)}^{2}$ 分别代表一般正态分布的均值向量和方差向量的第 i 个分量。直接用这个式子做补充 loss，就不用考虑均值损失和方差损失的相对比例问题了。

显然，这个loss也可以分为两部分理解：
$Lμ,σ2=Lμ+Lσ2⑨\mathcal{L}_{\mu, \sigma^2}=\mathcal{L_{\mu}+L_{\sigma^2}}\quad⑨$
$Lμ=12∑i=1dμ(i)2=12∥f1(X)∥2⑩\mathcal{L_{\mu}}=\frac{1}{2}\sum_{i=1}^{d}\mu_{(i)}^{2}=\frac{1}{2}\left\|f_{1}\left(X\right)\right\|^{2}\quad⑩$
$Lσ2=12∑i=1d(σ(i)2−log⁡σ(i)2−1)\mathcal{L_{\sigma^{2}}}=\frac{1}{2}\sum_{i=1}^{d}(\sigma_{(i)}^2-\log \sigma_{(i)}^2 - 1)$

说明：
式⑧的由来：

具体可以见高斯分布的KL散度了解详细推导过程

重参数技巧

Reparameterization Trick

在这里插入图片描述
其实很简单，就是我们要从 $p(Z|X_k)$ 中采样一个 $Z_k$ 出来，尽管我们知道了 $p(Z|X_k)$ 是正态分布，但是均值方差都是靠模型算出来的，我们要靠这个过程反过来优化均值方差的模型，但是“采样”这个操作是不可导的，而采样的结果是可导的，于是我们利用了一个事实：

从 $N(μ,σ2)N(\mu, \sigma^2)$ 中采样一个Z, 相当于从 $N (0, I)$ 中采样一个 $ϵ\epsilon$ , 然后让 $Z=μ+ϵ∗σZ=\mu + \epsilon * \sigma$

所以，我们将从 $N(μ,σ^2)$
采样变成了从 $N (0, I)$
中采样，然后通过参数变换得到从 $N(μ,σ^2)$ 中采样的结果。这样一来，“采样”这个操作就不用参与梯度下降了，改为采样的结果参与，使得整个模型可训练了。
具体可以参看这篇博客
在这里插入图片描述

VAE的本质是什么？

VAE 的本质是什么？VAE 虽然也称是 AE（AutoEncoder）的一种，但它的做法（或者说它对网络的诠释）是别具一格的。

在 VAE 中，它的 Encoder 有两个，一个用来计算均值，一个用来计算方差，这已经让人意外了：Encoder 不是用来 Encode 的，是用来算均值和方差的，这真是大新闻了，还有均值和方差不都是统计量吗，怎么是用神经网络来算的？

VAE 从让普通人望而生畏的变分和贝叶斯理论出发，最后落地到一个具体的模型中，虽然走了比较长的一段路，但最终的模型其实是很接地气的。

它本质上就是在我们常规的自编码器的基础上，对 encoder 的结果（在VAE中对应着计算均值的网络）加上了“高斯噪声”，使得结果 decoder 能够对噪声有鲁棒性；而那个额外的 KL loss（目的是让均值为 0，方差为 1），事实上就是相当于对 encoder 的一个正则项，希望 encoder 出来的东西均有零均值。

那另外一个 encoder（对应着计算方差 $σ\sigma$ 的网络）的作用呢？它是用来动态调节噪声的强度的。

直觉上来想，当 decoder 还没有训练好时（重构误差远大于 KL loss），就会适当降低噪声（KL loss 增加），使得拟合起来容易一些（重构误差开始下降）。

反之，如果 decoder 训练得还不错时（重构误差小于 KL loss），这时候噪声就会增加（KL loss 减少），使得拟合更加困难了（重构误差又开始增加），这时候 decoder 就要想办法提高它的生成能力了。

在这里插入图片描述

VAE的本质结构

说白了，重构的过程是希望没噪声的，而 KL loss 则希望有高斯噪声的，两者是对立的。所以，VAE 跟 GAN 一样，内部其实是包含了一个对抗的过程，只不过它们两者是混合起来，共同进化的。

说明：
重构：即训练的过程中，从 $X_{a}$ 到Z再到 $X_{b}$ ，自然是希望Z能稳定下来为一个定值，这样恢复出来的 $X_{b}$ 就更具有确定性，更能接近真实样本 $X_{a}$ 。

KL loss: 因为我们训练的目的就是为了让模型有生成能力，即从噪声出发，通过模型来生成符合真是样本分布的新样本。如果我们在训练过程中让Z稳定下来为一个定值，那我们在inference的时候就不能从噪声出发了。
因为我们最终的目的是：拿训练好的模型，然后从标准正态分布N(0,I)中随机采样Z，然后inference得到生成的样本也就可以认为是符合真实样本的分布了，所以我们并不能真的让Z为一个定值固定下来。这样用含有噪声的Z去生成 $Xi^\hat{X_{i}}$ , 然后来衡量生成数据 $Xi^的分布\hat{X_{i}}的分布$ 与原始数据 $X_{i}$ 的分布之间的相似度，自然是越相似越好。

可以结合前面这个问题：**为什么符合先验假设p(Z)是标准正态分布，就可以放心从N(0,I)中采样生成图像了呢？**来进行思考。

正态分布？

对于 p(Z|X) 的分布，读者可能会有疑惑：是不是必须选择正态分布？可以选择均匀分布吗？

首先，这个本身是一个实验问题，两种分布都试一下就知道了。但是从直觉上来讲，正态分布要比均匀分布更加合理，因为正态分布有两组独立的参数：均值和方差，而均匀分布只有一组。

前面我们说，在 VAE 中，重构跟噪声是相互对抗的，重构误差跟噪声强度是两个相互对抗的指标，而在改变噪声强度时原则上需要有保持均值不变的能力，不然我们很难确定重构误差增大了，究竟是均值变化了（encoder的锅）还是方差变大了（噪声的锅）。

而均匀分布不能做到保持均值不变的情况下改变方差，所以正态分布应该更加合理。

变分在哪里

还有一个有意思（但不大重要）的问题是：VAE 叫做“变分自编码器”，它跟变分法有什么联系？在VAE 的论文和相关解读中，好像也没看到变分法的存在？

其实如果读者已经承认了 KL 散度的话，那 VAE 好像真的跟变分没多大关系了，因为 KL 散度的定义是：
$KL(p(x)∣∣q(x))=∫p(x)ln⁡p(x)q(x)dxKL(p(x)||q(x))=\int p(x)\ln \frac{p(x)}{q(x)}dx$

如果是离散概率分布就要写成求和，我们要证明：已概率分布 p(x)（或固定q(x)）的情况下，对于任意的概率分布 q(x)（或 p(x)），都有 KL(p(x)‖q(x))≥0，而且只有当p(x)=q(x)时才等于零。
KL散度的非负性证明

因为 KL(p(x)‖q(x))实际上是一个泛函，要对泛函求极值就要用到变分法，当然，这里的变分法只是普通微积分的平行推广，还没涉及到真正复杂的变分法。而 VAE 的变分下界，是直接基于 KL 散度就得到的。所以直接承认了 KL 散度的话，就没有变分的什么事了。

一句话，VAE 的名字中“变分”，是因为它的推导过程用到了 KL 散度及其性质。