即使是非計(jì)算機(jī)行業(yè),大家也知道很多有名的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),比如CNN在處理圖像上非常厲害,RNN能夠建模序列數(shù)據(jù).然而CNN,RNN之類的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身,并不能用于執(zhí)行比如圖像的內(nèi)容和風(fēng)格分離,生成一個(gè)逼真的圖片,用少量的label信息來分類圖像,或者做數(shù)據(jù)壓縮等任務(wù).因?yàn)樯鲜鰩讉€(gè)任務(wù),都需要特殊的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練算法.

有沒有一個(gè)網(wǎng)絡(luò)結(jié)構(gòu),能夠把上述任務(wù)全搞定呢?顯然是有的,那就是對(duì)抗自編碼器AdversarialAutoencoder(AAE).在本文中,我們將構(gòu)建一個(gè)AAE,來壓縮數(shù)據(jù),分離圖像的內(nèi)容和風(fēng)格,用少量樣本來分類圖像,然后生成它們。

PyTorch實(shí)現(xiàn)自編碼器

首先我們先回顧一下什么是自編碼器,然后用PyTorch進(jìn)行簡(jiǎn)單的實(shí)現(xiàn)。

1.自編碼器

如圖所示,自編碼器的輸入和輸出是一樣的,也就是說,它不需要監(jiān)督信息(label),它主要有兩部分構(gòu)成:

?編碼器(Encoder):輸入數(shù)據(jù)(可以是文本,圖像,視頻,語(yǔ)音),輸出latentcode,比如上圖,輸入數(shù)據(jù)是的一張圖像,輸出的是的隱層值h,或者稱之為latentcode,當(dāng)然h的大小你可以隨便設(shè)置.在這種設(shè)置下,encoder起到了壓縮圖片的作用,將一個(gè)圖片從變化成了,就像你用壓縮軟件(比如WinRAR)壓縮圖片一樣.如果我們把Encoder記做函數(shù)q,那么Encoder就是在做:

?解碼器(Decoder):輸入數(shù)據(jù)為上一步的輸出數(shù)據(jù)h,它努力把h重構(gòu)成x,上圖的例子中,Decoder需要把的重構(gòu)回的,并使得和原來的x約相似越好,就像你用壓縮然見解壓一個(gè)壓縮文件一樣.如果我們把Decoder記做函數(shù)p,那么Decoder就是在做:

這個(gè)模型似乎是一個(gè)天然的降維模型.但是,除了降維，Autoencoder還能干什么?

圖片降噪(ImageDenosiong),輸入嘈雜的圖像,Autoencoder可以生成清晰無噪聲的圖像.當(dāng)把數(shù)據(jù)輸入自編碼器后,我們可以強(qiáng)制讓自編碼器的隱層學(xué)習(xí)更魯棒的特征,而不是僅僅識(shí)別他們,這樣的自編碼器,在下圖左邊的圖上進(jìn)行訓(xùn)練,就可以把中間的噪聲數(shù)據(jù),重建成右邊的樣子。

語(yǔ)義哈希,這可以降低數(shù)據(jù)的維度,加速信息檢索,目前有非常的人在研究這一方向.

生成模型,比如本系列文章要介紹的AdversarialAutoencoder(AAE)

其他大量應(yīng)用

2.PyTorch實(shí)現(xiàn)

我們先從簡(jiǎn)單的全連接網(wǎng)絡(luò)開始我們的第一部分.

這個(gè)Encoder包含的輸入層,兩層隱層,每層1000個(gè)節(jié)點(diǎn),一個(gè)輸出層層數(shù)為2

所以,整個(gè)模型是:

模型實(shí)現(xiàn)完成后,我們要準(zhǔn)備一下數(shù)據(jù):

我們選擇MSE損失函數(shù)來度量重構(gòu)出來的圖像與原來的圖像x的相似程度

接下來就可以實(shí)現(xiàn)訓(xùn)練步驟了:

可以看一下重建的圖像怎么樣:

我們可以觀察到,輸入的這張3的圖片,一些奇怪的地方唄去掉了(3的左上角).

接下來,讓我們看一下latentcode,它只有2維,我們可以隨便填一個(gè)值讓Decoder去生成圖片,比如我們認(rèn)為的令,讓后將它輸入到Decoder中:

這好像是個(gè)6的圖片,當(dāng)然也可能是0,不管怎么說,這不是一個(gè)清晰的數(shù)字圖片.這是因?yàn)镋ncoder的輸出并不能覆蓋整個(gè)2維空間（它的輸出分布有很多空白）。因此，如果我們輸入一些Decoder沒見過的值，我們會(huì)看到一下奇怪的輸出圖像。這可以通過在生成latentcode時(shí),將Encoder的輸出限制為隨機(jī)分布（比如，均值為0.0和標(biāo)準(zhǔn)偏差為2.0的正態(tài)分布）。AdversarialAutoencoder就是這么做到的，我們將在第2部分中看看它的實(shí)現(xiàn)。