参考文章《Auto-Encoding Variational Bayes》.
假设数据集是独立同分布(I.I.D),每个样本皆服从随机分布
,数据集有N个样本。我们构造由N个随机变量构成的联合分布
。
从最大似然观点来看联合分布,当N个变量恰好是数据集样本(即:由抽样点组成的联合状态的概率)此时的联合分布的概率应取最大值。
对联合分布取对数似然,有:
因为Dataset背后的分布 我们是不知道的,因而无法直接生成新的样本,这也是生成模型最终想要实现的目标。
VAE(Variational Auto-Encoder)是一个生成模型,它为解决上述目标,引入了一个隐变量模型,如图:
原来的随机变量只有一个
,现在变成了两个随机变量的联合
,原来的两个独立概率空间:
和
,变成了联合空间
相应的边沿分布(Marginal Distribution)。构造该联合分布只有一个约束条件:要满足
这一侧的边沿分布为
,对
没有要求,因而我们可以指定
的分布,比如:正态分布。
由Figure1,为简化推导,考虑连续随机变量,处理公式(1)有:
(2)式右边第一项为 ,令右边第二项为 ,于是有:
因为KL散度大于等于0,因此 是 的下界。VAE将优化这个下界,进行近似推断(Approximate Inference),后续过程就是通过 对 和 求梯度,使 获得最大值的过程。
由(4)有
(5)式第一项反映的是隐变量 的分布 与给定 的真实后验分布的近似分布 距离。第二项反映自动编码器的(Auto-Encoder-Decoder)性能: ,即经过编码和解码后,取该样本 的概率平均值。若批处理所选择的样本数量较大时,可以取L=1,即对于每个样本 ,每次批处理训练时只抽一次。
在前面的推导过程中,我们并没有给出关于 和 的任何约束条件。假设 是J维标准正态分布: , 是与之形状相似的J维正态分布,其协方差矩阵是对角阵,有 , 和 分别为期望矢量 和方差矢量 的各单元的值。于是(5)式等号右边第一项的KL散度可以给出解析解,因为:
因此,有:
(5)式等号右边第二项,需要通过Monte Carlo方法获得,即:
当L=1时,
于是,最终有:
(9)式中N是数据集样本的总的个数,M是mini-batch中,每一批次训练样本的个数。为求最大似然,我们抬高最大似然的下界。该下界获得最大值的地方,我们就认为在该处取得了最大似然,这是一个近似推断。
因为一般的后向梯度处理得到的是最小值,因而,训练所用Loss需要对 取反。以下VAE实现摘抄自:
https://github.com/pytorch/examples/blob/master/vae/main.py
from __future__ import print_function
import argparse
import torch
import torch.utils.data
from torch import nn, optim
from torch.nn import functional as F
from torchvision import datasets, transforms
from torchvision.utils import save_image
parser = argparse.ArgumentParser(description='VAE MNIST Example')
parser.add_argument('--batch-size', type=int, default=128, metavar='N',
help='input batch size for training (default: 128)')
parser.add_argument('--epochs', type=int, default=10, metavar='N',
help='number of epochs to train (default: 10)')
parser.add_argument('--no-cuda', action='store_true', default=False,
help='enables CUDA training')
parser.add_argument('--seed', type=int, default=1, metavar='S',
help='random seed (default: 1)')
parser.add_argument('--log-interval', type=int, default=10, metavar='N',
help='how many batches to wait before logging training status')
args = parser.parse_args()
args.cuda = not args.no_cuda and torch.cuda.is_available()
torch.manual_seed(args.seed)
device = torch.device("cuda" if args.cuda else "cpu")
kwargs = {'num_workers': 1, 'pin_memory': True} if args.cuda else {}
train_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=True, download=True,
transform=transforms.ToTensor()),
batch_size=args.batch_size, shuffle=True, **kwargs)
test_loader = torch.utils.data.DataLoader(
datasets.MNIST('../data', train=False, transform=transforms.ToTensor()),
batch_size=args.batch_size, shuffle=True, **kwargs)
class VAE(nn.Module):
def __init__(self):
super(VAE, self).__init__()
self.fc1 = nn.Linear(784, 400)
self.fc21 = nn.Linear(400, 20)
self.fc22 = nn.Linear(400, 20)
self.fc3 = nn.Linear(20, 400)
self.fc4 = nn.Linear(400, 784)
def encode(self, x):
h1 = F.relu(self.fc1(x))
return self.fc21(h1), self.fc22(h1)
def reparameterize(self, mu, logvar):
if self.training:
std = torch.exp(0.5*logvar)
eps = torch.randn_like(std)
return eps.mul(std).add_(mu)
else:
return mu
def decode(self, z):
h3 = F.relu(self.fc3(z))
return F.sigmoid(self.fc4(h3))
def forward(self, x):
mu, logvar = self.encode(x.view(-1, 784))
z = self.reparameterize(mu, logvar)
return self.decode(z), mu, logvar
model = VAE().to(device)
optimizer = optim.Adam(model.parameters(), lr=1e-3)
# Reconstruction + KL divergence losses summed over all elements and batch
def loss_function(recon_x, x, mu, logvar):
BCE = F.binary_cross_entropy(recon_x, x.view(-1, 784), size_average=False)
# see Appendix B from VAE paper:
# Kingma and Welling. Auto-Encoding Variational Bayes. ICLR, 2014
# https://arxiv.org/abs/1312.6114
# 0.5 * sum(1 + log(sigma^2) - mu^2 - sigma^2)
KLD = -0.5 * torch.sum(1 + logvar - mu.pow(2) - logvar.exp())
return BCE + KLD
def train(epoch):
model.train()
train_loss = 0
for batch_idx, (data, _) in enumerate(train_loader):
data = data.to(device)
optimizer.zero_grad()
recon_batch, mu, logvar = model(data)
loss = loss_function(recon_batch, data, mu, logvar)
loss.backward()
train_loss += loss.item()
optimizer.step()
if batch_idx % args.log_interval == 0:
print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
100. * batch_idx / len(train_loader),
loss.item() / len(data)))
print('====> Epoch: {} Average loss: {:.4f}'.format(
epoch, train_loss / len(train_loader.dataset)))
def test(epoch):
model.eval()
test_loss = 0
with torch.no_grad():
for i, (data, _) in enumerate(test_loader):
data = data.to(device)
recon_batch, mu, logvar = model(data)
test_loss += loss_function(recon_batch, data, mu, logvar).item()
if i == 0:
n = min(data.size(0), 8)
comparison = torch.cat([data[:n],
recon_batch.view(args.batch_size, 1, 28, 28)[:n]])
save_image(comparison.cpu(),
'results/reconstruction_' + str(epoch) + '.png', nrow=n)
test_loss /= len(test_loader.dataset)
print('====> Test set loss: {:.4f}'.format(test_loss))
for epoch in range(1, args.epochs + 1):
train(epoch)
test(epoch)
with torch.no_grad():
sample = torch.randn(64, 20).to(device)
sample = model.decode(sample).cpu()
save_image(sample.view(64, 1, 28, 28),
'results/sample_' + str(epoch) + '.png')
VAE分两部分网络实现,编码器(Encoder)得到的是
的充分统计量
和
,而解码器(Decoder)得到的是重建图
,其过程是:
1、输入样本x_i,由编码器网络forward,得到
的充分统计量
和
;
2、由此正态分布
抽样得到
;
3、解码器网络输入
,得到重构样本
;
4、由原图与重构图的逐位二进制交叉熵加上一个正则项:
,得到最后训练用的Loss;
5、Loss后向梯度传播,修正两个网络的参数,迭代若干次,得到网络的最佳参数。
由上代码可见(8)式中的 表示的是输入样本 在概率密度 下取值的对数,此概率密度由Decoder输出,而在上述实现中,它是由重建图(recon_x)与原图(x)逐位二进制交叉熵来实现的:
def loss_function(recon_x, x, mu, logvar):
BCE = F.binary_cross_entropy(recon_x, x.view(-1, 784), size_average=False)
# see Appendix B from VAE paper:
# Kingma and Welling. Auto-Encoding Variational Bayes. ICLR, 2014
# https://arxiv.org/abs/1312.6114
# 0.5 * sum(1 + log(sigma^2) - mu^2 - sigma^2)
KLD = -0.5 * torch.sum(1 + logvar - mu.pow(2) - logvar.exp())
return BCE + KLD
为什么:重建图(recon_x)与原图(x)逐位二进制交叉熵可以代表
?在附录中,文章有一个简单的交代:
上述实现代码采用的是C1方法,因而用二进制交叉熵来代表
。
上例,采用mnist作为输入样本,则Decoder输出的是多维0-1分布(伯努利分布)逐位(element-wise)像素
的概率(输出重建位图共有
位),设每一位相互独立,因而:
(10)式中, 表示样本 的第 l 位。然而0-1分布是离散分布,给出的概率不是概率密度,可以从线性插值的角度来解释:
由于输出是0-1分布,因此Decoder预测的是0和1的概率,0-1分布本来是离散的,其概率密度可写为:
其中,是 狄利克雷函数, 是Decoder输出,即位置i为1的概率。对于任意 的对数概率值 ,由其线性插值为:
因而,我们可以用二进制交叉熵来实现(8)式的第二项。