跳到正文
原文
Lilian Weng — Lil’Log·· 2018-08-12AI 评估 · 19/100分数表示内容值得关注的程度,依据实质份量、信息增量、证据强度、读者相关性和可用性,按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误,评分不代表事实已被核实,也不同于热点榜的讨论热度。

从 Autoencoder 到 Beta-VAE:自编码器与变分自编码器详解

From Autoencoder to Beta-VAE

AI 导读

自编码器通过中间狭窄的瓶颈层以无监督方式重建高维数据,其瓶颈层学到的压缩隐编码可作嵌入向量用于搜索、数据压缩或揭示数据的生成因子。去噪自编码器通过随机损坏输入再重建原始数据来提升鲁棒性,其思路比 dropout 早 4 年;稀疏自编码器则对隐藏单元激活施加稀疏约束。文章后经更新补充了 VQ-VAE、VQ-VAE-2 与 TD-VAE 章节。

来源:Lilian Weng — Lil’Log · lilianweng.github.io