我正在使用 Keras 构建变分自动编码器。我的灵感主要来自@Fchollet 示例:https://github.com/fchollet/keras/blob/master/examples/variational_autoencoder.py
但我正在处理连续数据。不必像 MNIST 那样对数字进行排名,我的输出是一个持续时间。在这方面,我将损失函数从 binary_crossentropy 更改为 mean_squared_error。我主要想知道第二项,KL 散度。它应该适用于连续数据吗?我无法理解它。对我来说,它应该将相似的数据紧紧地放在潜在空间中。例如,在 MNIST 数据的 cas 中,将每个“1”放在潜在空间中,将每个“2”放在一起等等......因为我正在处理连续数据,它是如何工作的?在我的案例中是否有更好的丢失函数可供使用?
这是丢失的函数:
def vae_loss(x, x_decoded_mean):
xent_loss = original_dim *metrics.mean_squared_error(x, x_decoded_mean)
kl_loss = - 0.5 * K.mean(1 + z_log_sigma - K.square(z_mean) - K.exp(z_log_sigma), axis=-1)
return K.mean(xent_loss + kl_loss)
vae.compile(optimizer='Adam', loss=vae_loss)
如您所见,一些类似的数据按需要放在了一起。这是当我将 kl_loss 函数的系数增加到 "-100000"而不是 "-0.5"时发生的情况:
我想我会以几乎线性的方式从蓝色变为红色。相反,我以困惑的方式获得了所有数据的集群。
你们能帮帮我吗?谢谢!
最佳答案
在我看来,这是因为您通过增加其系数来增加 KL 损失的重要性。换句话说,损失函数更多地“照顾”了 KL 项。请记住,KL 损失用于“获取”具有先验 N(0,1) 的后验分布。所以,如果你大量“扩展”这种行为(系数大),每个数据的分布都会向这个分布收敛 ==> 所有数据的后验均值 0 & 数据一起推向 0 ==> 你的潜在表示 :)
关于python - 变分自动编码器损失函数(keras),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46365652/