文件名称：变体自动编码器：如“自动编码变体贝叶斯” [Kingma，Welling，2014]中所述，在PyTorch中实现简单VAE的个人实现。
文件大小：274KB
文件格式：ZIP
更新时间：2024-03-12 01:19:33
pytorch vae variational-autoencoders Python
变体自动编码器 Kingma，DP和Welling，M.（2013）对论文“ AutoEncoding Variational Bayes”的个人实现。 该存储库的主要目的是使刚开始使用Variational Autoencoders的人们可以轻松访问本文的实现，而不必研究高度优化且难以搜索的库。 我用原始论文中给出的超参数训练了模型。 潜在维度为3，编码器和解码器的MLP仅具有400个隐藏单元的单个线性层。 增加层数和潜在空间的尺寸会得到更好的结果。 我们使用100个重要性加权样本-122.4084计算得出测试集的对数似然率。 200个历元之后的先前p（z）的样本，z_dim = 3，具有一层（400个单位）的MLP 200个时代之后的重建示例，z_dim = 3，一层（400个单位）的MLP 增加隐藏层的数量和潜在空间的尺寸，可以为我们带来更好的结果。 我考虑所有MLP都有两个分
【文件预览】：
Variational-Autoencoders-master
----MNIST_VAE.py(12KB)
----VAE.py(9KB)
----model_evaluation.py(4KB)
----LICENSE(1KB)
----.gitignore(166B)
----readme_imgs()
--------Random_samples_ex_3_12zdim.png(60KB)
--------samples_zdim3_mlp400.png(63KB)
--------originals_zdim3_mlp400.png(18KB)
--------reconstruction_zdim3_mlp400.png(65KB)
--------originals_epoch_200_example_100_12zdim.png(18KB)
--------reconstruction_epoch_200_example_100_12zdim.png(57KB)
----README.md(2KB)
----utils()
--------code_to_load_the_dataset.py(4KB)