1回答
变分自动编码器损失正在增加
、、、、
这是我创建异常卷积自动编码器的特殊代码，我的问题是损失函数根本不能收敛到任何东西。我尝试过不同的优化器来计算损失。我的AutoEncoder有什么根本错误的地方吗？
浏览 1提问于2018-02-01得票数 1
我正在实现Keras变分自动编码器()。在培训过程中，印刷的总损失不是重建损失和kl损失的总和。对于如何解决这个问题，有什么建议吗？
我怀疑这个问题与丢失追踪器有关，但我不知道如何解决。
浏览 3提问于2022-10-26得票数 0
我读过许多论文，推荐使用变分自动编码器而不是自动编码器，因为它们具有更多的概率方法，并且能够在潜在维度上使用KL散度。但是，在对这两个网络进行测试时，我发现变分自动编码器输出的可变性降低了网络的精度，使用自动编码器的效果更好。我仍然致力于非常简单的数据和培训我的网络上的正常图像，没有任何增强或改变的背景。变分自动编码器<
浏览 0提问于2019-04-03得票数 1
1回答
我试图理解和提高变分自动编码器的丢失和准确性。我用一个简单的二进制数据填充了自动编码器：sent_encoded = encoder.predict(np.array(test), batch_size = batch_size)
浏览 0提问于2018-04-11得票数 0
1回答
变分自动编码器: MSE与BCE
、、、、
我正在使用一个变分自动编码器，我看到有些人使用MSE损失，有些人使用BCE损失，有人知道其中一个比另一个更正确吗?为什么？据我所知，如果你假设VAE的潜在空间向量服从高斯分布，你应该使用MSE损失。如果你假设它服从多项分布，你应该使用BCE。此外，BCE偏向于0.5。 有人能给我解释一下这个概念吗？我知道这与信息期望的下限变分项有关。 非常感谢!
浏览 28提问于2020-12-10得票数 0
回答已采纳
1回答
我做了几个图像自动编码器的例子，它们工作得很好。现在，我想为文本做一个自动编码器，它接受一个句子作为输入，并返回相同的句子。但是当我尝试使用和图像相同的自动编码器时，我会得到不好的结果。您有用于Keras中文本的自动编码器工作示例的链接吗？
我看到，在大多数论文中，他们使用交叉熵作为损失函数。交叉熵是如何精确计算损失的？即使我用字符自动编码器做一个字符，使用交叉熵也有意义吗？
浏览 0提问于2018-03-25得票数 9
1回答
我有一个关于一个非常复杂的损失函数的问题。这是一个变分的自动编码器损失函数，它相当复杂。
它是由两个重建损失，KL散度和判别器作为正则化。所有这些损失都是相同的规模，但我发现，将重建损失中的一个增加20倍(而剩下的部分在前一个比额表上)会大大提高我的模型的性能。
浏览 3提问于2022-07-15得票数 0
回答已采纳
我正在训练一个变分自动编码器，我得到了一个损失图，如下所示：在224号时代之后，val损失超过了火车损失，并且变得越来越大，但速度非常慢，你可以注意到。我训练了300个时代。
浏览 0提问于2021-04-02得票数 0
1回答
我理解KL散度是如何为我们提供一个度量一个概率分布与另一个参考概率分布是如何不同的。但是为什么它们在VAE中(而不是交叉熵)被特别使用(这是生成的)？
浏览 0提问于2020-09-24得票数 4
这是一个与此相关的问题- 另一方面，利用日志概率和KL散度生成证据下限(ELBO)。然后将ELBO值的负值最小化。
在这两种情况下，根据输入的模式(例如MNIST中的数字)对潜在空间进行分区。因此，我想知道ELBO是否是或包含类似于重建损失的信息。
浏览 0提问于2018-04-27得票数 3
回答已采纳
1回答
我正在从TensorFlow文档提供的一个例子中学习def log_normal_pdf(sample, mean, logvar, raxis=1):
log2pi = tf.math.log(2. * np.pi)Another ，如果x > 1，可以使用什么样的损失？可以用其他的损失函数作为重建损失，例如Huber损失，例如使用了MSE损失(如下所示)，MSE<em
浏览 4提问于2022-06-30得票数 0
1回答
我已经在Keras中构建了一个自动编码器，它接受多个输入和相同数量的输出，我想将其转换为变分自动编码器。我很难将输入和输出之间的差值的损失和变分部分的损失结合起来。因此，我的自动编码器接受一组输入向量，生成相同数量和形状的输出向量。/权重，这取决于我想要在自动编码器中有什么列。我的问题是： 我现在已经将设置扩展到一个变分</em
浏览 20提问于2019-09-30得票数 2
回答已采纳
我正在使用的大部分基础实现一个变分自动编码器。
我的输入数据目前是500个样本乘以125个通道(脑电图数据)，但我有意使解码后的输出只有1个通道，例如[500,1]。我的重建损失是将我的输入数据和重建的解码器输出[500,125]与[500,1]进行比较的二进制交叉熵。代码运行时没有任何警告或错误，但我不确定是否可以比较不同通道维度的数据，以及这是否反映在我的重建损失或KL损失中。Keras/TF是否考虑到了不同的渠道，并以某种方式能够在所有
浏览 3提问于2020-11-03得票数 1
我正在处理一个keras.io示例，其中构建了一个变分的自动编码器，在这里可以找到：
，，我试图用MeanSquaredError-损失替换二进制_交叉熵损失，但是我得到了一个TypeError。错误:预期的float32，得到‘自动’类型'str‘而不是。此外，我不明白为什么使用二进制交叉熵损失，因为我把这个损失理解为分类损失，但在这里，我比较原始数据的值和它的重构，这是一种回归，而不是
浏览 3提问于2021-06-01得票数 0
我正在尝试为Keras中的变分自动编码器设计一个自定义损失函数，分为两个部分：reconstruction loss和divergence loss。但是，我不想使用高斯分布来表示发散损失，而是希望从输入中随机采样，然后基于采样的输入执行发散损失。然而，我不知道如何对来自完整数据集的输入进行采样，然后对其执行损失。编码器模型为： x_input = Input((input_size,))
enc1 = Dense(
浏览 13提问于2019-09-22得票数 1
回答已采纳
2回答
我读过Keras在VAE实现上的，其中VAE损失是这样定义的： xent_loss = objectives.binary_crossentropyz_log_sigma - K.square(z_mean) - K.exp(z_log_sigma), axis=-1)我查看了，VAE损失函数是这样定义的
浏览 24提问于2020-02-21得票数 4
回答已采纳
5回答
我正在尝试使用我在Keras示例中找到的变分自动编码器的实现()。15474/15474 [==============================] - 1s 62us/step - loss: nan - val_loss: nan
对于所有训练时期，损失都是相同的
浏览 4提问于2018-04-04得票数 5
1回答
我正在使用Keras构建一个变分自动编码器。我在很大程度上受到了@Fchollet示例的启发：
但我使用的是连续数据。我的输出是一个持续时间，而不是像MNIST中那样对数字进行排序。在这方面，我将损失函数从binary_crossentropy改为mean_squared_error。我最想知道的是第二项，KL发散。它应该能很好地处理连续数据吗？我无法理解这件事。下面是当我将kl_loss函数的系数增加到"-100000“而不是"-0.5”时会发生的
浏览 2提问于2017-09-22得票数 5
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号