[英]keras variational autoencoder loss function
我已经阅读了 Keras 关于 VAE 实现的这篇博客,其中 VAE 损失是这样定义的:
def vae_loss(x, x_decoded_mean):
xent_loss = objectives.binary_crossentropy(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 xent_loss + kl_loss
我查看了Keras 文档,VAE 损失函数是这样定义的:在这个实现中,reconstruction_loss 乘以 original_dim,我在第一个实现中没有看到!
if args.mse:
reconstruction_loss = mse(inputs, outputs)
else:
reconstruction_loss = binary_crossentropy(inputs,
outputs)
reconstruction_loss *= original_dim
kl_loss = 1 + z_log_var - K.square(z_mean) - K.exp(z_log_var)
kl_loss = K.sum(kl_loss, axis=-1)
kl_loss *= -0.5
vae_loss = K.mean(reconstruction_loss + kl_loss)
vae.add_loss(vae_loss)
有人可以解释为什么吗? 谢谢!
first_one: CE + mean(kl, axis=-1) = CE + sum(kl, axis=-1) / d
second_one: d * CE + sum(kl, axis=-1)
所以: first_one = second_one / d
请注意,第二个返回所有样本的平均损失,但第一个返回所有样本的损失向量。
在 VAE 中,重建损失函数可以表示为:
reconstruction_loss = - log(p ( x | z))
如果解码器输出分布假设为高斯分布,则损失函数归结为 MSE,因为:
reconstruction_loss = - log(p( x | z)) = - log ∏ ( N(x(i), x_out(i), sigma**2) = − ∑ log ( N(x(i), x_out(i), sigma**2) . alpha . ∑ (x(i), x_out(i))**2
相比之下,MSE 损失的方程为:
L(x,x_out) = MSE = 1/m ∑ (x(i) - x_out(i)) **2
其中 m 是输出维度。 例如,在 MNIST 中 m = 宽 × 高 × 通道 = 28 × 28 × 1 = 784
因此,
reconstruction_loss = mse(inputs, outputs)
应该乘以 m(即原始维度)以等于 VAE 公式中的原始重建损失。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.