概述 在讨论变分自编码器前，我觉得有必要先讨论清楚它与自编码器的区别是什么，它究竟是干什么用的。否则看了一堆公式也不知道变分自编码器究竟有什么用。 众所周知，自编码器是一种数据压缩方式，它把一个数据点\(x\)有损编码为低维的隐向量\(z\)，通过\(z\)可以解码重构回\(x\)。这是一个 ...

AutoEncoder作为NN里的一类模型，采用无监督学习的方式对高维数据进行高效的特征提取和特征表示，并且在学术界和工业界都大放异彩。本文主要介绍AutoEncoder系列模型框架的演进，旨在梳 ...

EM算法 EM算法是含隐变量图模型的常用参数估计方法，通过迭代的方法来最大化边际似然。 带隐变量的贝叶斯网络 给定N 个训练样本D={x(n)}，其对数似然函数为： 通过最大化整个训 ...

引言 前面三篇文章介绍了变分推断（variational inference），这篇文章将要介绍变分自编码器，但是在介绍变分自编码器前，我们先来了解一下传统的自编码器。 自编码器 自编码器（autoencoder）属于无监督学习模型（unsupervised learning ...

变分推断与变分自编码器 作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 本文主要介绍变分自编码器(Variational Auto-Encoder, VAE)及其推导过程，但变分自编码器涉及一些概率统计的基础知识，因此为了更好地理解变分 ...

　　神经网络就是一种特殊的自编码器，区别在于自编码器的输出和输入是相同的，是一个自监督的过程，通过训练自编码器，得到每一层中的权重参数，自然地我们就得到了输入x的不同的表示（每一层代表一种）这些就是特征，自动编码器就是一种尽可能复现原数据的神经网络。 　　“自编码”是一种 ...

自编码器论文的提出是为了神经网络权重更好的初始化，他将多层网络一层一层的通过自编码器确定初始权重，最终再对模型进行权重训练； 这种初始化权重的方式目前已经不是主流，但他的思路可以借鉴到很多场景； 模型简介 自编码器，AutoEncode，它分为两部分，前一部分是编码器，后一部分是解码器 ...