自编码变分贝叶斯（转载）

深度解读Diederik P. Kingma和Max Welling的论文 Auto-encoding variational bayes¹，对中间涉及的公式进行了详尽的推导。最后给出了变分自编码器的Tensorflow示例代码。

 未经过再参数化²： 

 由于这个网络传递结构的一个环节是随机采样，导致无法反向传播，所以聪明的前辈又将这个结构优化成了这样：

经过再参数化后³： 

 即，将采样这一过程放在计算图的外部作为输入，而仅将最终计算的结果参与计算，计算的结果是可微的。

 这样就可以对整个网络进行反向传播训练了。

注意：这里引用的两张图里说的“第一项”和“第二项”跟我在上面写的公式是相反的，即图里说的“第一项”实际上是上面公式里的第二项。

转自：

https://blog.csdn.net/NeutronT/article/details/78086340

http://www.dengfanxin.cn/?p=334&sukey=72885186ae5c357d85d72afd35935fd5253f8a4e53d4ad672d5321379584a6b6e02e9713966e5f908dd7020bfa0c555f

自编码变分贝叶斯（转载）

原文：https://www.cnblogs.com/jiangkejie/p/12964718.html