Il prossimoProssima guida
Codificatori automatici
Tecnico
GUIDA AI FONDAMENTALI
A variational autoencoder learns a probabilistic latent representation and a decoder for generating or reconstructing data.
Ascolta questa guidaNarrato dall'IA · ~1 min
Auto-Encoding Variational Bayes derives an evidence lower bound (ELBO) on the marginal log likelihood log p(x). The objective can be optimized with stochastic gradients using an approximate posterior and reparameterization. For a Gaussian VAE it includes a reconstruction/likelihood term and a KL regularizer toward the prior. Generation separately samples a latent from the prior and decodes it; that sampling step is not the ELBO definition. The decoder parameterizes the likelihood p(x|z), a distribution over observations conditioned on a latent. This is distinct from drawing z from the prior and then generating x.
Encode an input into latent distribution parameters.
Sample a latent using the reparameterization trick during training.
Balance reconstruction and prior regularization in the ELBO.
Use a pretrained VAE to encode and decode images in latent diffusion.
VAE designs vary in likelihood, prior, and objective. Assess reconstruction, sample quality, and latent behavior for the selected model.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
A variational autoencoder learns a probabilistic latent representation and a decoder for generating or reconstructing data.
A differenza di un semplice codificatore automatico, un codificatore VAE fornisce parametri di distribuzione (tipicamente una media gaussiana e una varianza) e un punto viene quindi campionato da tale distribuzione.
Scrivendo z = mu + sigma * epsilon con epsilon disegnato da una normale fissa, la casualità viene spostata su un input, quindi la propagazione all'indietro può fluire attraverso mu e sigma.
For the standard Gaussian VAE described in the cited formulation, the KL term regularizes the approximate posterior toward the prior, commonly a standard normal distribution.
A Gaussian VAE specifies a latent prior and a decoder distribution, allowing a latent sample to be drawn and decoded; this does not guarantee a high-quality sample.
L'esecuzione della diffusione all'interno di uno spazio latente compresso con VAE riduce drasticamente il calcolo rispetto al funzionamento diretto nello spazio dei pixel.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Codificatori automatici
Tecnico