炀餮氢 发表于 2025-7-21 14:30:57

Note -「Variational Auto-Encoder」VAE 学习与 MNIST 实战

目录

[*]\(1\) 数学基础

[*]\(1.1\) KL 散度
[*]\(1.2\) Evidence Lower BOund (ELBO)

[*]\(2\) 模型结构

[*]\(2.1\) 基本假设
[*]\(2.2\) Marginal Likelyhood
[*]\(2.3\) 重参数化 (reparameterization) 与 AEVB 算法
[*]\(2.4\) 实例: VAE 算法

[*]\(3\) MNIST 实战

[*]\(3.1\) 数据准备
[*]\(3.2\) 分布选取与框架代码
[*]\(3.3\) 训练
[*]\(3.4\) 实验

[*]\(4\) 参考资料


\[\mathscr{Lorain~y~w~la~Lora~blea.}\newcommand{\DS}{\displaystyle}% operators alias\newcommand{\opn}{\operatorname{#1}}\newcommand{\card}{\opn{card}}\newcommand{\lcm}{\opn{lcm}}\newcommand{\char}{\opn{char}}\newcommand{\Char}{\opn{Char}}\newcommand{\Min}{\opn{Min}}\newcommand{\rank}{\opn{rank}}\newcommand{\Hom}{\opn{Hom}}\newcommand{\End}{\opn{End}}\newcommand{\im}{\opn{im}}\newcommand{\tr}{\opn{tr}}\newcommand{\diag}{\opn{diag}}\newcommand{\coker}{\opn{coker}}\newcommand{\id}{\opn{id}}\newcommand{\sgn}{\opn{sgn}}\newcommand{\Res}{\opn{Res}}\newcommand{\Ad}{\opn{Ad}}\newcommand{\ord}{\opn{ord}}\newcommand{\Stab}{\opn{Stab}}\newcommand{\conjeq}{\sim_{\u{conj}}}\newcommand{\cent}{\u{\degree C}}\newcommand{\Sym}{\opn{Sym}}\newcommand{\wg}{\wedge}\newcommand{\Wg}{\bigwedge}% symbols alias\newcommand{\E}{\exist}\newcommand{\A}{\forall}\newcommand{\l}{\left}\newcommand{\r}{\right}\newcommand{\ox}{\otimes}\newcommand{\lra}{\leftrightarrow}\newcommand{\llra}{\longleftrightarrow}\newcommand{\iso}{\overset{\sim}{#1}}\newcommand{\eps}{\varepsilon}\newcommand{\Ra}{\Rightarrow}\newcommand{\Eq}{\Leftrightarrow}\newcommand{\d}{\mathrm{d}}\newcommand{\e}{\mathrm{e}}\newcommand{\i}{\mathrm{i}}\newcommand{\j}{\mathrm{j}}\newcommand{\k}{\mathrm{k}}\newcommand{\Ex}{\mathbb{E}}\newcommand{\D}{\mathbb{D}}\newcommand{\oo}{\infty}\newcommand{\tto}{\rightrightarrows}\newcommand{\mmap}{\hookrightarrow}\newcommand{\emap}{\twoheadrightarrow}\newcommand{\actl}{\curvearrowright}\newcommand{\actr}{\curvearrowleft}\newcommand{\nsubg}{\triangleleft}\newcommand{\nsupg}{\triangleright}\newcommand{\lin}{\lim_{n\to\oo}}\newcommand{\linf}{\liminf_{n\to\oo}}\newcommand{\lsup}{\limsup_{n\to\oo}}\newcommand{\ser}{\sum_{n=1}^\oo}\newcommand{\serz}{\sum_{n=0}^\oo}\newcommand{\isoto}{\overset\sim\to}\newcommand{\F}{\mathbb F}\newcommand{\x}{\times}\newcommand{\M}{\mathbf{M}}\newcommand{\T}{\intercal}% symbols with parameters\newcommand{\der}{\frac{\d}{\d #1}}\newcommand{\ul}{\underline{#1}}\newcommand{\ol}{\overline{#1}}\newcommand{\wt}{\widetilde{#1}}\newcommand{\br}{\l(#1\r)}\newcommand{\bk}{\l[#1\r]}\newcommand{\ev}{\l.#1\r|}\newcommand{\abs}{\l|#1\r|}\newcommand{\bs}{\boldsymbol{#1}}\newcommand{\env}{\begin{#1}#2\end{#1}} % why not?\newcommand{\ALI}{\env{aligned}{#1}}\newcommand{\CAS}{\env{cases}{#1}}\newcommand{\pmat}{\env{pmatrix}{#1}}\newcommand{\dary}{\l|\begin{array}{#1}#2\end{array}\r|}\newcommand{\pary}{\l(\begin{array}{#1}#2\end{array}\r)}\newcommand{\pblk}{\l(\begin{array}{c|c}{#1}&{#2}\\\hline{#3}&{#4}\end{array}\r)}\newcommand{\u}{\mathrm{#1}}\newcommand{\lix}{\lim_{x\to #1}}\newcommand{\ops}{#1\cdots #1}\newcommand{\seq}{{#1}_{#2}\ops,{#1}_{#3}}\newcommand{\dedu}{\u{(#1)}\Ra\u{(#2)}}% SPECIAL\newcommand{\dat}{\bs{\mathrm{#1}}} % font for data point / data set\]
  限于笔者水平, 本文或仅适合 AEVB 及 VAE 的基础学习. 如果希望更深入地了解 VAE, 推荐阅读参考资料 \(\) 及相关文献.
  对于数学水平要求, 本文仅假设读者掌握朴素概率论和入门的分析学.
\(1\) 数学基础

\(1.1\) KL 散度

  The Kullback–Leibler divergence (also called relative entropy and I-divergence), denoted \(D_{\u{KL}}(P\parallel Q)\), is a type of statistical distance: a measure of how much a model probability distribution \(Q\) is different from a true probability distribution \(P\).
  定量地, 离散条件下的 KL 散度定义为

\[\ALI{        D_{\u{KL}}(P\parallel Q) &:= \sum_{\dat x}P(\dat x)\log\frac{P(\dat x)}{Q(\dat x)}\\        &= -\sum_{\dat x}P(\dat x)\log Q(\dat x)+\sum_{\dat x}P(\dat x)\log P(\dat x).}\]
  从信息熵 (也即 "相对熵" 这个名字) 的角度容易理解. 我们尝试用 \(Q\) 的最优编码方式 (即事件 \(\dat x\) 使用 \(-\log Q(\dat x)\) 个 bit 的编码) 来编码 \(P\), \(D_{\u{KL}}(P\parallel Q)\) 给出的就是这种编码所用 bit 数与直接最优编码 \(P\) 本身的 bit 数 (即 \(P\) 本身的熵) 的差值, 这一差值反应了把编码从 \(Q\) 直接迁移到 \(P\) 的 "某种代价". 在这样的直观理解下, 如果二者是同分布的, 这一差值显然是 \(0\); 而对于一般的 \(P\) 和 \(Q\), 也不难看出 \(D_{\u{KL}}(P\parallel Q)\ge 0\).
\(1.2\) Evidence Lower BOund (ELBO)

  这里我们着重研究形如 \(D_{\u{KL}}(Q(\dat z)\parallel P(\dat z\mid\dat x))\) 的 KL 散度, 其中 \(\dat x\) 是某一特定事件, \(P(\dat z\mid\dat x)\) 给出此时 \(\dat z\) 的条件分布. 推导:

\[\ALI{        D_{\u{KL}}(Q\parallel P) &= \sum_{\dat z}Q(\dat z)\log\frac{Q(\dat z)P(\dat x)}{P(\dat x\dat z)} \\        &= \sum_{\dat z}Q(\dat z)\br{\log\frac{Q(\dat z)}{P(\dat x\dat z)}+\log P(\dat x)}\\        &= \sum_{\dat z}Q(\dat z)(\log Q(\dat z)-\log P(\dat x\dat z))+\underbrace{\sum_{\dat z}Q(\dat z)}_{=1}\log P(\dat x) \\        &= \sum_{\dat z}Q(\dat z)(\log Q(\dat z)-\log P(\dat x\dat z))+\log P(\dat x).}\]
对分布 \(Q(\dat z)\), 记 \(\Ex_Qf(\dat z):=\sum_{\dat z}Q(\dat z)f(\dat z)\), 则

\

\[\ALI{        \implies \log P(\dat x) &= D_{\u{KL}}(Q(\dat z)\parallel P(\dat z\mid\dat x))-\Ex_Q(\log Q(\dat z)-\log P(\dat x\dat z))\\        &=: D_{\u{KL}}(Q(\dat z)\parallel P(\dat z\mid\dat x))+\mathcal L(Q).}\tag 1\]
由于 \(D_{\u{KL}}(Q\parallel P)\ge 0\), 有

\[\log P(\dat X)\ge\mathcal L(Q).\tag 2\]
即 \(\mathcal L(Q)\) 可以作为 \(\log P(\dat x)\) 的下界估计.
\(2\) 模型结构

\(2.1\) 基本假设

  设数据集 \(\dat X=\{\dat x^{(i)}\}_{i=1}^N\) 由 \(N\) 个独立同分布的数据点构成. 我们假设它由以下过程采样而来:

[*]从某个先验分布 \(p_{\dat\theta^*}(\dat z)\) 采样 \(\dat z^{(i)}\);
[*]从某个条件分布 \(p_{\dat\theta^*}(\dat x\mid\dat z=\dat z^{(i)})\) 采样 \(\dat x^{(i)}\).
其中 \(p_{\dat\theta^*}(\dat z)\) 和 \(p_{\dat\theta^*}(\dat x\mid \dat z)\) 来自一族参数化分布 \(p_{\dat\theta}(\dat z)\) 和 \(p_{\dat\theta}(\dat x\mid\dat z)\), 且它们的概率密度函数对 \(\dat\theta\) 和 \(\dat z\) 几乎处处可微.
  现在, 数据集 \(\dat X\) 是已知的, 但我们不知道隐变量 \(\dat z^{(i)}\) 和具体的分布参数 \(\dat\theta^*\). 因此, 我们尝试引入一个识别模型 \(q_{\dat\phi}(\dat z\mid \dat x)\) 用来估计真实的后验分布 \(p_{\dat\theta}(\dat z\mid\dat x)\), 并尝试一起学习 \(\dat\phi\) 和 \(\dat\theta\).
  我们将在后验分布 \(p_{\dat\theta}(\dat z\mid\dat x)\) (\(q_{\dat\phi}(\dat z\mid\dat x)\)) 上采样 \(\dat z\) 的行为视作对数据 \(\dat x\) 的编码, 在条件分布 \(p_{\dat\theta}(\dat x\mid\dat z)\) 上采样 \(\dat x\) 的行为视作对编码 \(\dat z\) 的解码, 这就是所谓的 encode 和 decode 过程.
\(2.2\) Marginal Likelyhood

  为了学到最优的 \(\dat\theta^*\), 我们势必需要引入一个评估分布参数优劣的值. 模仿最大似然的手法, 我们仍然研究数据集 \(\dat X\) 被模型生成的概率. 则对某个数据点 \(\dat x\) 和待评估的参数 \(\dat\theta\), 有

\
(这里忽略了超参数 \(\alpha\). 为了让式子更完整, 可以在所有概率中 condition on \(\alpha\).) 而

\[\log p_{\dat\theta}(\dat X)=\sum_{i=1}^N\log p_{\dat\theta}(\dat x^{(i)}).\]
  利用识别模型 \(q_{\dat\phi}\) 估计后验分布, 套用 \((1)\), 我们知道

\[\log p_{\dat\theta}(\dat x^{(i)})=D_{\u{KL}}(q_{\dat\phi}(\dat z\mid\dat x^{(i)})\parallel p_{\dat\theta}(\dat z\mid\dat x^{(i)}))+\mathcal L(\dat\theta,\dat\phi;\dat x^{(i)}).\]
同时由 \((2)\),

\[\ALI{        \log_{\dat\theta}(\dat x^{(i)}) &\ge \mathcal L(\dat\theta,\dat\phi;\dat x^{(i)})\\        &= \Ex_{q_{\dat\phi}(\dat z\mid \dat x^{(i)})}(-\log q_{\dat\phi}(\dat z\mid\dat x^{(i)})+\log p_{\dat\theta}(\dat x^{(i)}\dat z))&(3)\\        &= \Ex_{q_{\dat\phi}(\dat z\mid \dat x^{(i)})}(-\log q_{\dat\phi}(\dat z\mid\dat x^{(i)})+\log p_{\dat\theta}(\dat z)+\log p_{\dat\theta}(\dat x^{(i)}\mid\dat z))\\        &= -D_{\u{KL}}(q_{\dat\phi}(\dat z\mid \dat x^{(i)})\parallel p_{\dat \theta}(\dat z))+\Ex_{q_{\dat\phi}(\dat z\mid \dat x^{(i)})}(\log p_{\dat\theta}(\dat x^{(i)}\mid \dat z)).&(4)}\\\]
我们希望通过对 \(\mathcal L(\dat\theta,\dat\phi;\dat x^{(i)})\) 梯度下降来学出优秀的 \(\dat\theta\) 和 \(\dat\phi\).
\(2.3\) 重参数化 (reparameterization) 与 AEVB 算法

  然而 \(\) 中指出, \(\mathcal L(\dat\theta,\dat\phi;\dat x^{(i)})\) 对 \(\dat\phi\) 的梯度的方差很大, 不适用于数值计算. (不过对此论断, \(\) 的评论区中有不同的分析, 可自行了解.) 这里, 我们采用重参数化技巧: 对 \(\dat z\sim q_{\dat\phi}(\dat z\mid\dat x)\), 假定 \(\dat z=g_{\dat\phi}(\dat\epsilon,\dat x)\) 可微, \(\dat\phi\) 是参数, \(\dat\epsilon\sim p(\dat\epsilon)\) 是噪声. 以此为条件, 根据概率密度的定义:

\
进而

\[\ALI{        \Ex_{q_{\dat\phi}(\dat z\mid\dat x^{(i)})}f(\dat z) &= \int q_{\dat\phi}(\dat z\mid \dat x^{(i)})f(\dat z)\d\dat z\\        &= \int p(\dat\epsilon)f(g_{\dat\phi}(\dat\epsilon,\dat x^{(i)}))\d\dat\epsilon\\        &\approx \frac{1}{L}\sum_{\ell=1}^L f(\underbrace{g_{\dat\phi}(\dat\epsilon^{(\ell)},\dat x^{(i)})}_{=:\dat z^{(i,\ell)}}),\quad \dat\epsilon^{(\ell)}\sim p(\dat\epsilon).}\]
  以此估计 \((3)\), 给出

\[\ALI{        \mathcal L(\dat\theta,\dat\phi;\dat x^{(i)}) &\approx \wt{\mathcal L}^A(\dat\theta,\dat\phi;\dat x^{(i)})\\        &:= \frac{1}{L}\sum_{\ell=1}^L(-\log q_{\dat\phi}(\dat z^{(i,\ell)}\mid\dat x^{(i)})+\log p_{\dat\theta}(\dat x^{(i)}\dat z^{(i,\ell)})).}\]
或者, 以此估计 \((4)\), 给出

\[\ALI{        \mathcal L(\dat\theta,\dat\phi;\dat x^{(i)}) &\approx \wt{\mathcal L}^B(\dat\theta,\dat\phi;\dat x^{(i)})\\        &:= -D_{\u{KL}}(q_{\dat\phi}(\dat z\mid\dat x^{(i)})\parallel p_{\dat\theta}(\dat z))+\frac{1}{L}\sum_{\ell=1}^L\log p_{\dat\theta}(\dat x^{(i)}\mid\dat z^{(i,\ell)}).}\]
前一项散度据 \(\) 称通常可以解析地求出.
  接着, 在数据集 \(\dat X\) 上采样一个大小为 \(M\) 的 minibatch 来估计给定参数的 marginal likelyhood, 有

\[\ALI{        \mathcal L(\dat\theta,\dat\phi;\dat X) &\approx \wt{\mathcal L}^M(\dat\theta,\dat\phi;\dat X)\\        &:= \frac{N}{M}\sum_{i=1}^M\wt{L}(\dat\theta,\dat\phi;\dat x^{(i)}).}\]
(这里的 \(M\) 和单个数据点的采样数量 \(L\) 间可以 trade-off. \(\) 指出当 \(M=100\) 时 \(L=1\) 的表现已经出色.)
  最终, 嵌套地使用 \(\wt{\mathcal L}^M\) 和 [\(\wt{\mathcal L}^A\) 或 \(\wt{\mathcal L}^B\)] 两次估计, 我们就能对 marginal likelyhood 的下界 ELBO 进行调优了. 这朴素地推导出 Auto-Encoding VB (AEVB) 算法:

\[\begin{array}{r|l}        & \text{Minibatch version of the Auto-Encoding VB algorithm}\\ \hline        0 & M,L\gets 100,1\\        1 & p(\dat\epsilon),p_{\dat\theta}(\dat x\mid\dat z),q_{\dat\phi}(\dat z\mid \dat x),p_{\dat\theta}(\dat z) \gets \text{chosen distri. forms}\\        2 & \dat\theta,\dat\varphi \gets \text{initial parameters}\\        3 & \textbf{repeat}\\        4 & \qquad \dat X^M \gets \text{minibatch sampled from }\dat X\\        5 & \qquad \dat \epsilon \gets \text{noise sampled from }p(\dat\epsilon)\\        6 & \qquad \dat g \gets \nabla_{\dat\theta,\dat\phi}\wt{\mathcal L}^M(\dat\theta,\dat\phi;\dat X^M,\dat\epsilon)\\        7 & \qquad \dat\theta,\dat\phi \gets \text{parameters optimized by }\dat g\\        8 & \textbf{until}~\text{convergence of }(\dat\theta,\dat\phi)\\   9 & \textbf{return}~\dat\theta,\dat\phi\end{array}\]
\(2.4\) 实例: VAE 算法

  在 AEVB 的框架下, 不平凡的工作是指定分布 \(p(\dat\epsilon),p_{\dat\theta}(\dat x\mid\dat z),q_{\dat\phi}(\dat z\mid \dat x),p_{\dat\theta}(\dat z)\) 的形式. 在 Variational Auto-Encoder (VAE) 中, 我们取

\[\ALI{        p(\dat\epsilon) &= \mathcal N(\dat\epsilon;\bs 0,\bs 1),\\        q_{\dat\phi}(\dat z\mid\dat x^{(i)}) &= \mathcal N(\dat z;\dat\mu^{(i)},(\dat\sigma^2)^{(i)}\bs 1),\\        p_{\dat\theta}(\dat z) &= \mathcal N(\dat z;\bs 0,\bs 1),\\        g_{\dat\phi}(\dat\epsilon^{(\ell)},\dat x^{(i)}) &= \dat\mu^{(i)}+\dat\sigma^{(i)}\odot\dat\epsilon^{(\ell)}.}\]
其中 \(\bs 1\) 是适合尺寸的单位矩阵. \((\dat\sigma^2)^{(i)}\bs 1\) 给出的是对角协方差阵, 即每个 \(z_j\sim\mathcal N(\mu^{(i)}_j,(\sigma_j^{(i)})^2)\), 互相独立. (但个人感觉这个记号本身有些奇怪.)
  而对于 \(p_{\dat\theta}(\dat x\mid\dat z)\), 可以根据数据类型选择:

[*]对于二元数据, \(p_{\dat\theta}(x_i\mid\dat z)=\mathcal B(x_i;1,y_i)\), 其中 \(\dat y\) 由模型给出;
[*]对于实值数据, \(p_{\dat\theta}(x_i\mid\dat z)=\mathcal N(x_i;\mu'_i,\sigma_i'^2)\), 其中 \(\dat\mu'\) 和 \(\dat\sigma'\) 由模型给出.
这里给出实值数据下 VAE 一次 encode-decode 的示意. 其中 \(\dat x\in\R^5\), \(\dat z\in\R^3\), 蓝色点云表示概率密度:
 
  接下来还需要验证 \(\wt{\mathcal L}\) 的形式. 这里采用 \(\wt{\mathcal L}^B\) 的估计, 需要计算 \(-D_{\u{KL}}(q_{\dat\phi}(\dat z\mid\dat x^{(i)})\parallel p_{\dat\theta}(\dat z))+\frac{1}{L}\sum_{\ell=1}^L\log p_{\dat\theta}(\dat x^{(i)}\mid\dat z^{(i,\ell)})\). 对于前一项, \(q_{\dat\phi}(\dat z\mid\dat x^{(i)})\) 简记作 \(q_{\dat\phi}(\dat z)\), 设向量维度为 \(J\), 根据定义 (这里就是把离散情况的求和对应地变为分布函数上的 Lebesgue 积分, 我们在上文已经假设了这些分布良好的分析性质):

\[\ALI{        -D_{\u{KL}}(q_{\dat\phi}(\dat z)\parallel p_{\dat\theta}(\dat z)) &= \int q_{\dat\phi}(\dat z)\log p_{\dat\theta}(\dat z)\d\dat z-\int q_{\dat\phi}(\dat z)\log q_{\dat\phi}(\dat z)\d\dat z\\        &= \int\mathcal N(\dat z;\dat\mu,\dat\sigma^2)\log \mathcal N(\dat z;\bs 0,\bs 1)\d\dat z-\int\mathcal N(\dat z;\dat\mu,\dat\sigma^2)\log\mathcal N(\dat z;\dat\mu,\dat\sigma^2)\d\dat z\\        &=: I_1-I_2.}\]
容易计算:

\[\ALI{        I_1 &= \int\br{\prod_{j=1}^J\mathcal N(z_j;\mu_j,\sigma_j^2)}\sum_{j=1}^J\log \mathcal N(z_j;0,1)\d\dat z\\        &= \sum_{i=1}^J\int\mathcal N(z_i;\mu_i,\sigma_i^2)\log\mathcal N(z_i;0,1)\cdot\prod_{j\neq i}\mathcal N(z_j;\mu_j,\sigma_j^2)\d\dat z\\        &= \sum_{i=1}^J\int\mathcal N(z_i;\mu_i,\sigma_i^2)\log\mathcal N(z_i;0,1)\d z_i\cdot\underbrace{\prod_{j\neq i}\int\mathcal N(z_j;\mu_j,\sigma_j^2)\d z_j}_{=1}\\        &= -\frac{1}{2}\sum_{i=1}^J\int\frac{1}{\sqrt{2\pi}\sigma_i}\e^{-\frac{(z_i-\mu_i)^2}{2\sigma_i^2}}\br{\log(2\pi)+z_i^2}\d z_i\\        &= -\frac{1}{2}\sum_{i=1}^J\br{\log(2\pi)+\frac{1}{\sqrt{2\pi}\sigma_i}\int_{-\oo}^{+\oo}\e^{-\frac{x^2}{2\sigma_i^2}}(x^2+2\mu_ix+\mu_i^2)\d x}\\        &= -\frac{1}{2}\sum_{i=1}^J\br{\log(2\pi)+\mu_i^2+\frac{1}{\sqrt{2\pi}\sigma_i}\int_{-\oo}^{+\oo}x^2\e^{-\frac{x^2}{2\sigma_i^2}}\d x}}\]
回忆 Gauss 积分 \(\DS\int_{-\oo}^{+\oo}x^2\e^{-ax^2}\d x=\frac{1}{2}\sqrt{\frac{\pi}{a^3}}\), 代入化简得

\[\ALI{        I_1 &= -\frac{J}{2}\log(2\pi)-\frac{1}{2}\sum_{i=1}^J\br{\mu_i^2+\frac{1}{\sqrt{2\pi}\sigma_i}\cdot\frac{1}{2}\sqrt{8\sigma_i^6\pi}}\\        &= -\frac{J}{2}\log(2\pi)-\frac{1}{2}\sum_{i=1}^J(\mu_i^2+\sigma_i^2).}\]
同理

\
所以

\[-D_{\u{KL}}(q_{\dat\phi}(\dat z)\parallel p_{\dat\theta}(\dat z))=\frac{1}{2}\sum_{i=1}^J(1+\log\sigma_i^2-\mu_i^2-\sigma_i^2).\]
最终

\[\ALI{        \mathcal L(\dat\theta,\dat\phi;\dat x^{(i)}) &\approx \wt{\mathcal L}^B(\dat\theta,\dat\phi;\dat x^{(i)})\\        &= \frac{1}{2}\sum_{i=1}^J(1+\log\sigma_i^2-\mu_i^2-\sigma_i^2)+\frac{1}{L}\sum_{\ell=1}^L\log p_{\dat\theta}(\dat x^{(i)}\mid \dat z^{(i,\ell)}).}\]
  这样的良好形式已然可以启动训练了. 在这一表达式中, 前一项即 (负) KL 散度, 后一项一般称为重构损失 (reconstruction loss).
\(3\) MNIST 实战

  由于 VAE 和最常见的 "将 batch 输入模型 - 比对模型输出与 ground truth 计算 loss - 反向传播" 的训练方式有些差异, 实现起来可能有些难度. 所以这里以 MNIST 为例实现完整的 VAE, 并通过一些数据实验加深对 VAE 的理解.
  (注: 文末提供了本节的完整代码.)
\(3.1\) 数据准备

  无需多言. (Tips: MNIST 单图的初始形态为 \((1,28,28)\); ToTensor() 后灰度值在 \(\) 中.)
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision

import matplotlib
matplotlib.use("Agg") # 笔者使用的 WSL
import matplotlib.pyplot as plt

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True)
train_dataset.transform = torchvision.transforms.ToTensor()
# 注意这里的 100 对应了训练量时 M 的值
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=100, shuffle=True)\(3.2\) 分布选取与框架代码

  实践上, 在 decode 时直接采用独立 Bernoulli 分布是一个高质且高效的选择. 这时

\[\log p_{\dat\theta}(\dat x^{(i)}\mid\dat z^{(i,\ell)})=\sum_{j}\br{x^{(i)}_j\log\mu'_j+(1-x^{(i)}_j)\log(1-\mu'_j)},\]
其中 \(\dat \mu'=\dat \mu'(\dat z^{(i,\ell)})\) 即 decode 样本点 \(\dat z^{(i,\ell)}\) 的模型输出 (不必再如上文图中输出一个 \(\dat\sigma'\)).
  Q1: 灰度值是一个实值量, 为什么不如上文所说地使用正态分布来 decode?
  A1: 用正态分布的最大问题是范围不匹配. 正态分布会给出 \(\R\) 上的采样, 如果不在训练过程中强制截断, 会导致重构损失非常巨大 (实测 \(10^9\) 倍于 KL 散度) 而难以训练; 而强制截断则会导致边界概率密度的不合理分配.
  Q2: 图像灰度值分布的 ground truth 总该是 \(\) 上的连续分布, 我们用离散的 Bernoulli 分布去拟合合理吗?
  A2: 的确, Bernoulli 分布无法建模中间灰度, 理论上有偏差. 如果希望更精确地拟合, 可以采用独立 Beta 分布等分布模型. Bernoulli 分布的优势在于其模型简单, 训练高效且稳定.
  给出框架代码:
class Encoder(nn.Module):
    def __init__(self, LATENT_DIM):
      super(Encoder, self).__init__()
      self.W_h = nn.Linear(784, 256)
      self.b_h = nn.Parameter(torch.zeros(256))
      self.W_mu = nn.Linear(256, LATENT_DIM)
      self.b_mu = nn.Parameter(torch.zeros(LATENT_DIM))
      self.W_sgm = nn.Linear(256, LATENT_DIM)
      self.b_sgm = nn.Parameter(torch.zeros(LATENT_DIM))

    def forward(self, x):
      x = x.view((-1, 784))
      h = F.relu(self.W_h(x) + self.b_h) # 也可以用 tanh 等激活
      mu = self.W_mu(h) + self.b_mu
      sgm = self.W_sgm(h) + self.b_sgm # sigma 可能 <0, 其行为和 >0 一致
      return mu, sgm

class Decoder(nn.Module):
    def __init__(self, LATENT_DIM):
      super(Decoder, self).__init__()
      self.W_h = nn.Linear(LATENT_DIM, 256)
      self.b_h = nn.Parameter(torch.zeros(256))
      self.W_mu = nn.Linear(256, 784)
      self.b_mu = nn.Parameter(torch.zeros(784))

    def forward(self, z):
      h = F.relu(self.W_h(z) + self.b_h)
      mu_re = F.sigmoid(self.W_mu(h) + self.b_mu)
      return mu_re # 使用 Bernoulli 分布, 只输出 mu'

class VAE(nn.Module):
    def __init__(self, LATENT_DIM):
      super(VAE, self).__init__()
      self.LATENT_DIM = LATENT_DIM
      self.encoder = Encoder(LATENT_DIM)
      self.decoder = Decoder(LATENT_DIM)

    def generate(self, num=1): # [用于测试] 在隐空间随机采样重构
      imgs = None
      with torch.no_grad():
            z = torch.randn((num, self.LATENT_DIM)).to(device)
            mu_re = self.decoder(z)
            imgs = mu_re.view(-1, 1, 28, 28)
      return imgs.cpu()

    def reconstruct(self, X): # [用于测试] 模拟 encode-decode (如上文图过程)
      mu, sgm = self.encoder(X)
      eps = torch.randn_like(sgm).to(device)
      z = mu + sgm * eps
      mu_re = self.decoder(z)
      return mu_re.view(-1, 1, 28, 28).cpu()

    # 没有必要实现 forward 方法

class ELBO_Estimator(nn.Module):
    def __init__(self):
      super(ELBO_Estimator, self).__init__()
      self.L = 1 # 估算积分时的采样次数
      self.FIX_EPS = 1e-8 # /0, log0 修正

    def forward(self, X_M):
      mu, sgm = model.encoder(X_M)
      kl_div = -0.5 * torch.sum(1 + torch.log(sgm**2 + self.FIX_EPS) - mu**2 - sgm**2)

      re_loss = 0
      for _ in range(self.L):
            e_l = torch.randn_like(sgm).to(device) # 批量采样 epsilon
            z_l = mu + sgm * e_l
            mu_re = model.decoder(z_l)
            re_loss += torch.sum(X_M * torch.log(mu_re + self.FIX_EPS))
            re_loss += torch.sum((1 - X_M) * torch.log(1 - mu_re + self.FIX_EPS))
      re_loss /= self.L

      elbo = -(re_loss - kl_div)# 负的 ELBO (调优时最小化之), 忽略了常数因子
      return elbo, kl_div, re_loss # 后两项用于输出时观察\(3.3\) 训练

  无需多言.
model = VAE(2).to(device) # 这里 2 是隐空间维度, 可以自由调节
criterion = ELBO_Estimator().to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # 随手写的学习率

def train_vae(model, train_loader, optimizer, epochs=10):
    model.train()
    for epoch in range(epochs):
      total_loss = 0
      for batch_idx, (data, _) in enumerate(train_loader):
            data = data.view((-1, 784)).float().to(device)
            optimizer.zero_grad()
            loss, kl_div, re_loss = criterion(data) # 直接算 criterion, 不必 model.forward
            loss.backward()
            optimizer.step()
            total_loss += loss.item()
            if batch_idx % 100 == 0:
                print(f'batch {batch_idx + 1}/{len(train_loader)} | loss: {loss.item():.2f}',
                      f'| kl_div: {kl_div.item():.2f} | re_loss: {re_loss.item():.2f}')

      print(f'---epoch {epoch + 1}/{epochs} | loss: {total_loss / len(train_loader):.2f}---\n')

# 启动训练
train_vae(model, train_loader, optimizer, epochs=10)
torch.save(model.state_dict(), f'vae.pth')\(3.4\) 实验

  先来观察直接在整个隐空间采样 \(\dat z\) 并重构的效果.
def generate_grid(model):
    model.eval()
    with torch.no_grad():
      imgs = model.generate(16)
      grid = torchvision.utils.make_grid(imgs, nrow=4, padding=2)
      plt.figure(figsize=(10, 10))
      plt.imshow(grid.permute(1, 2, 0).squeeze(), cmap='gray')
      plt.axis('off')
      plt.savefig('grid.png', format='png')
      plt.close()

generate_grid(model)结果 (LATENT_DIM=10):
  每个 "数字" 看上去是若干个标准数字的模糊叠加. 直接这样生成数字虽然勉强能看, 但的确不够理想.
 
  接着再来对比 encode-decode 过程下的原数据 \(\dat x\) 和还原数据 \(\dat x'\).
def reconstruct_compare(model, valid_loader):
    model.eval()
    with torch.no_grad():
      for data, _ in valid_loader:
            data = data.view((-1, 784)).float().to(device)
            recons = model.reconstruct(data)
            data = data.view(-1, 1, 28, 28).cpu()

            # 制作 data 和 recons 的对比网格图
            grid = torchvision.utils.make_grid(torch.cat((data.view(-1, 1, 28, 28),
                                                          recons), dim=0), nrow=8, padding=2)
            plt.figure(figsize=(10, 10))
            plt.imshow(grid.permute(1, 2, 0).squeeze(), cmap='gray')
            plt.axis('off')
            plt.savefig('compare.png', format='png')
            plt.close()
            break

valid_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True)
valid_dataset.transform = torchvision.transforms.ToTensor()
valid_loader = torch.utils.data.DataLoader(valid_dataset, batch_size=16, shuffle=False)

reconstruct_compare(model, valid_loader)结果 (LATENT_DIM=10):
  效果不错. 像 \(1,0,7\) 这几个不太容易混淆的数字, 还原的数字看上去甚至更圆润美观一些. 但左起第一列的 \(5\), 倒数第二列的 \(4\) 和最后一列的 \(9\) 的还原得效果较差, 这可能是因为原数据就不太容易分辨.
 
  最后, 我们取 LATENT_DIM=2 并观察隐空间形态. 这里我们取验证集全体进行 encode, 并描出每个点的正态中心:
def show_2d_latent_space(model, valid_loader, no_offset=False):
    model.eval()
    assert model.LATENT_DIM == 2, "Latent dimension must be 2 for visualization"
    with torch.no_grad():
      all_z = []
      all_labels = []
      for data, labels in valid_loader:
            data = data.view((-1, 784)).float().to(device)
            mu, sgm = model.encoder(data)
            if no_offset:
                z = mu
            else:
                eps = torch.randn_like(sgm).to(device)
                z = mu + sgm * eps
            all_z.append(z.cpu())
            all_labels.append(labels.cpu())

      all_z = torch.cat(all_z, dim=0)
      all_labels = torch.cat(all_labels, dim=0)

      plt.figure(figsize=(12, 12))
      scatter = plt.scatter(all_z[:, 0], all_z[:, 1], c=all_labels, cmap='tab10', alpha=0.5)
      plt.colorbar(scatter)
      plt.title('2D Latent Space')
      plt.xlabel('Latent Dimension 1')
      plt.ylabel('Latent Dimension 2')
      plt.savefig('latent-space.png', format='png')
      plt.close()

show_2d_latent_space(model, valid_loader, no_offset=True)结果:
  我们难以解释隐空间坐标轴的意义. 从散点来观察, 十个数字大致存在各自聚类的趋势. \(1,0,7\) 与其他数字的距离较远, 这和刚刚的还原效果以及我们区分数字的直观感受相合. 图上看最难区分的事 \(4\) 和 \(9\), 从形态上看可以理解, 且依照笔者在 MNIST 上测试的经验, 很多分辨 \(4\) 和 \(9\) 的任务的确是强人 (指人类) 所难, 所以也模型在此的模糊性也值得原谅.
  另外, 在重复试验时, 空间一般会发生一些典范的变化: 例如上下左右翻转, 坐标轴交换等. 但散点的总体形态却总是类似.
\(4\) 参考资料

  \(\) Kingma, Diederik P., and Max Welling. "Auto-encoding variational bayes." 20 Dec. 2013;
  \(\) 知乎专栏: 变分自编码器 (VAEs), Gapeng, 2017-11-07 00:28;
  \(\) 维基百科: Marginal likelihood, 21 February 2025, at 00:14 (UTC);
  \(\) 维基百科: Kullback–Leibler divergence, 5 July 2025, at 21:27 (UTC).
附完整代码
import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision

import matplotlib
matplotlib.use("Agg")
import matplotlib.pyplot as plt

device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, download=True)
train_dataset.transform = torchvision.transforms.ToTensor()
train_loader = torch.utils.data.DataLoader(train_dataset, batch_size=100, shuffle=True)

class Encoder(nn.Module):
    def __init__(self, LATENT_DIM):
      super(Encoder, self).__init__()
      self.W_h = nn.Linear(784, 256)
      self.b_h = nn.Parameter(torch.zeros(256))
      self.W_mu = nn.Linear(256, LATENT_DIM)
      self.b_mu = nn.Parameter(torch.zeros(LATENT_DIM))
      self.W_sgm = nn.Linear(256, LATENT_DIM)
      self.b_sgm = nn.Parameter(torch.zeros(LATENT_DIM))

    def forward(self, x):
      x = x.view((-1, 784))
      h = F.relu(self.W_h(x) + self.b_h)
      mu = self.W_mu(h) + self.b_mu
      sgm = self.W_sgm(h) + self.b_sgm
      return mu, sgm

class Decoder(nn.Module):
    def __init__(self, LATENT_DIM):
      super(Decoder, self).__init__()
      self.W_h = nn.Linear(LATENT_DIM, 256)
      self.b_h = nn.Parameter(torch.zeros(256))
      self.W_mu = nn.Linear(256, 784)
      self.b_mu = nn.Parameter(torch.zeros(784))

    def forward(self, z):
      h = F.relu(self.W_h(z) + self.b_h)
      mu_re = F.sigmoid(self.W_mu(h) + self.b_mu)
      return mu_re

class VAE(nn.Module):
    def __init__(self, LATENT_DIM):
      super(VAE, self).__init__()
      self.LATENT_DIM = LATENT_DIM
      self.encoder = Encoder(LATENT_DIM)
      self.decoder = Decoder(LATENT_DIM)

    def generate(self, num=1):
      imgs = None
      with torch.no_grad():
            z = torch.randn((num, self.LATENT_DIM)).to(device)
            mu_re = self.decoder(z)
            imgs = mu_re.view(-1, 1, 28, 28)
      return imgs.cpu()

    def reconstruct(self, X):
      mu, sgm = self.encoder(X)
      eps = torch.randn_like(sgm).to(device)
      z = mu + sgm * eps
      mu_re = self.decoder(z)
      return mu_re.view(-1, 1, 28, 28).cpu()

class ELBO_Estimator(nn.Module):
    def __init__(self):
      super(ELBO_Estimator, self).__init__()
      self.L = 1
      self.FIX_EPS = 1e-8

    def forward(self, X_M):
      mu, sgm = model.encoder(X_M)
      kl_div = -0.5 * torch.sum(1 + torch.log(sgm**2 + self.FIX_EPS) - mu**2 - sgm**2)

      re_loss = 0
      for _ in range(self.L):# sampling integral ranges
            e_l = torch.randn_like(sgm).to(device)
            z_l = mu + sgm * e_l
            mu_re = model.decoder(z_l)
            re_loss += torch.sum(X_M * torch.log(mu_re + self.FIX_EPS))
            re_loss += torch.sum((1 - X_M) * torch.log(1 - mu_re + self.FIX_EPS))
      re_loss /= self.L

      elbo = -(re_loss - kl_div)# negated ELBO, constant factors ignored
      return elbo, kl_div, re_loss

model = VAE(2).to(device)
criterion = ELBO_Estimator().to(device)
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)

def train_vae(model, train_loader, optimizer, epochs=10):
    model.train()
    for epoch in range(epochs):
      total_loss = 0
      for batch_idx, (data, _) in enumerate(train_loader):
            data = data.view((-1, 784)).float().to(device)
            optimizer.zero_grad()
            loss, kl_div, re_loss = criterion(data)
            loss.backward()
            optimizer.step()
            total_loss += loss.item()
            if batch_idx % 100 == 0:
                print(f'batch {batch_idx + 1}/{len(train_loader)} | loss: {loss.item():.2f}',
                      f'| kl_div: {kl_div.item():.2f} | re_loss: {re_loss.item():.2f}')

      print(f'---epoch {epoch + 1}/{epochs} | loss: {total_loss / len(train_loader):.2f}---\n')

def generate_grid(model):
    model.eval()
    with torch.no_grad():
      imgs = model.generate(16)
      grid = torchvision.utils.make_grid(imgs, nrow=4, padding=2)
      plt.figure(figsize=(10, 10))
      plt.imshow(grid.permute(1, 2, 0).squeeze(), cmap='gray')
      plt.axis('off')
      plt.savefig('grid.png', format='png')
      plt.close()

def reconstruct_compare(model, valid_loader):
    model.eval()
    with torch.no_grad():
      for data, _ in valid_loader:
            data = data.view((-1, 784)).float().to(device)
            recons = model.reconstruct(data)
            data = data.view(-1, 1, 28, 28).cpu()

            # 制作 data 和 recons 的对比网格图
            grid = torchvision.utils.make_grid(torch.cat((data.view(-1, 1, 28, 28),
                                                          recons), dim=0), nrow=8, padding=2)
            plt.figure(figsize=(10, 10))
            plt.imshow(grid.permute(1, 2, 0).squeeze(), cmap='gray')
            plt.axis('off')
            plt.savefig('compare.png', format='png')
            plt.close()
            break

def show_2d_latent_space(model, valid_loader, no_offset=False):
    model.eval()
    assert model.LATENT_DIM == 2, "Latent dimension must be 2 for visualization"
    with torch.no_grad():
      all_z = []
      all_labels = []
      for data, labels in valid_loader:
            data = data.view((-1, 784)).float().to(device)
            mu, sgm = model.encoder(data)
            if no_offset:
                z = mu
            else:
                eps = torch.randn_like(sgm).to(device)
                z = mu + sgm * eps
            all_z.append(z.cpu())
            all_labels.append(labels.cpu())

      all_z = torch.cat(all_z, dim=0)
      all_labels = torch.cat(all_labels, dim=0)

      plt.figure(figsize=(12, 12))
      scatter = plt.scatter(all_z[:, 0], all_z[:, 1], c=all_labels, cmap='tab10', alpha=0.5)
      plt.colorbar(scatter)
      plt.title('2D Latent Space')
      plt.xlabel('Latent Dimension 1')
      plt.ylabel('Latent Dimension 2')
      plt.savefig('latent-space.png', format='png')
      plt.close()

# train_vae(model, train_loader, optimizer, epochs=10)
# torch.save(model.state_dict(), f'vae.pth')

valid_dataset = torchvision.datasets.MNIST(root='./data', train=False, download=True)
valid_dataset.transform = torchvision.transforms.ToTensor()
valid_loader = torch.utils.data.DataLoader(valid_dataset, batch_size=16, shuffle=False)

model.load_state_dict(torch.load(f'vae.pth'))
# generate_grid(model)
# reconstruct_compare(model, valid_loader)
show_2d_latent_space(model, valid_loader, no_offset=True)
来源:程序园用户自行投稿发布,如果侵权,请联系站长删除
免责声明:如果侵犯了您的权益,请联系站长,我们会及时删除侵权内容,谢谢合作!
页: [1]
查看完整版本: Note -「Variational Auto-Encoder」VAE 学习与 MNIST 实战