什么是自動(dòng)編碼器
自動(dòng)編碼器(AutoEncoder)最開始作為一種數(shù)據(jù)的壓縮方法，其特點(diǎn)有:
1)跟數(shù)據(jù)相關(guān)程度很高，這意味著自動(dòng)編碼器只能壓縮與訓(xùn)練數(shù)據(jù)相似的數(shù)據(jù)，這個(gè)其實(shí)比較顯然，因?yàn)槭褂蒙窠?jīng)網(wǎng)絡(luò)提取的特征一般是高度相關(guān)于原始的訓(xùn)練集，使用人臉訓(xùn)練出來的自動(dòng)編碼器在壓縮自然界動(dòng)物的圖片是表現(xiàn)就會(huì)比較差，因?yàn)樗粚W(xué)習(xí)到了人臉的特征，而沒有能夠?qū)W習(xí)到自然界圖片的特征；
2)壓縮后數(shù)據(jù)是有損的，這是因?yàn)樵诮稻S的過程中不可避免的要丟失掉信息；
到了2012年，人們發(fā)現(xiàn)在卷積網(wǎng)絡(luò)中使用自動(dòng)編碼器做逐層預(yù)訓(xùn)練可以訓(xùn)練更加深層的網(wǎng)絡(luò)，但是很快人們發(fā)現(xiàn)良好的初始化策略要比費(fèi)勁的逐層預(yù)訓(xùn)練有效地多，2014年出現(xiàn)的Batch Normalization技術(shù)也是的更深的網(wǎng)絡(luò)能夠被被有效訓(xùn)練，到了15年底，通過殘差(ResNet)我們基本可以訓(xùn)練任意深度的神經(jīng)網(wǎng)絡(luò)。
所以現(xiàn)在自動(dòng)編碼器主要應(yīng)用有兩個(gè)方面，第一是數(shù)據(jù)去噪，第二是進(jìn)行可視化降維。然而自動(dòng)編碼器還有著一個(gè)功能就是生成數(shù)據(jù)。
我們之前講過GAN，它與GAN相比有著一些好處，同時(shí)也有著一些缺點(diǎn)。我們先來講講其跟GAN相比有著哪些優(yōu)點(diǎn)。
第一點(diǎn)，我們使用GAN來生成圖片有個(gè)很不好的缺點(diǎn)就是我們生成圖片使用的隨機(jī)高斯噪聲，這意味著我們并不能生成任意我們指定類型的圖片，也就是說我們沒辦法決定使用哪種隨機(jī)噪聲能夠產(chǎn)生我們想要的圖片，除非我們能夠把初始分布全部試一遍。但是使用自動(dòng)編碼器我們就能夠通過輸出圖片的編碼過程得到這種類型圖片的編碼之后的分布，相當(dāng)于我們是知道每種圖片對(duì)應(yīng)的噪聲分布，我們就能夠通過選擇特定的噪聲來生成我們想要生成的圖片。
第二點(diǎn)，這既是生成網(wǎng)絡(luò)的優(yōu)點(diǎn)同時(shí)又有著一定的局限性，這就是生成網(wǎng)絡(luò)通過對(duì)抗過程來區(qū)分“真”的圖片和“假”的圖片，然而這樣得到的圖片只是盡可能像真的，但是這并不能保證圖片的內(nèi)容是我們想要的，換句話說，有可能生成網(wǎng)絡(luò)盡可能的去生成一些背景圖案使得其盡可能真，但是里面沒有實(shí)際的物體。
自動(dòng)編碼器的結(jié)構(gòu)
首先我們給出自動(dòng)編碼器的一般結(jié)構(gòu)
從上面的圖中，我們能夠看到兩個(gè)部分，第一個(gè)部分是編碼器(Encoder)，第二個(gè)部分是解碼器(Decoder)，編碼器和解碼器都可以是任意的模型，通常我們使用神經(jīng)網(wǎng)絡(luò)模型作為編碼器和解碼器。輸入的數(shù)據(jù)經(jīng)過神經(jīng)網(wǎng)絡(luò)降維到一個(gè)編碼(code)，接著又通過另外一個(gè)神經(jīng)網(wǎng)絡(luò)去解碼得到一個(gè)與輸入原數(shù)據(jù)一模一樣的生成數(shù)據(jù)，然后通過去比較這兩個(gè)數(shù)據(jù)，最小化他們之間的差異來訓(xùn)練這個(gè)網(wǎng)絡(luò)中編碼器和解碼器的參數(shù)。當(dāng)這個(gè)過程訓(xùn)練完之后，我們可以拿出這個(gè)解碼器，隨機(jī)傳入一個(gè)編碼(code)，希望通過解碼器能夠生成一個(gè)和原數(shù)據(jù)差不多的數(shù)據(jù)，上面這種圖這個(gè)例子就是希望能夠生成一張差不多的圖片。
這件事情能不能實(shí)現(xiàn)呢？其實(shí)是可以的，下面我們會(huì)用PyTorch來簡(jiǎn)單的實(shí)現(xiàn)一個(gè)自動(dòng)編碼器。
首先我們構(gòu)建一個(gè)簡(jiǎn)單的多層感知器來實(shí)現(xiàn)一下。
class autoencoder(nn.Module):
def __init__(self):
super(autoencoder, self).__init__()
self.encoder = nn.Sequential(
nn.Linear(28*28, 128),
nn.ReLU(True),
nn.Linear(128, 64),
nn.ReLU(True),
nn.Linear(64, 12),
nn.ReLU(True),
nn.Linear(12, 3)
)
self.decoder = nn.Sequential(
nn.Linear(3, 12),
nn.ReLU(True),
nn.Linear(12, 64),
nn.ReLU(True),
nn.Linear(64, 128),
nn.ReLU(True),
nn.Linear(128, 28*28),
nn.Tanh()
)
def forward(self, x):
x = self.encoder(x)
x = self.decoder(x)
return x
這里我們定義了一個(gè)簡(jiǎn)單的４層網(wǎng)絡(luò)作為編碼器，中間使用ReLU激活函數(shù)，最后輸出的維度是３維的，定義的解碼器，輸入三維的編碼，輸出一個(gè) $28\times 28$ 的圖像數(shù)據(jù)，特別要注意最后使用的激活函數(shù)是Tanh，這個(gè)激活函數(shù)能夠?qū)⒆詈蟮妮敵鲛D(zhuǎn)換到-1 $\thicksim$ 1之間，這是因?yàn)槲覀冚斎氲膱D片已經(jīng)變換到了-1 $\thicksim$ 1之間了，這里的輸出必須和其對(duì)應(yīng)。
訓(xùn)練過程也比較簡(jiǎn)單，我們使用最小均方誤差來作為損失函數(shù)，比較生成的圖片與原始圖片的每個(gè)像素點(diǎn)的差異。
同時(shí)我們也可以將多層感知器換成卷積神經(jīng)網(wǎng)絡(luò)，這樣對(duì)圖片的特征提取有著更好的效果。
class autoencoder(nn.Module):
def __init__(self):
super(autoencoder, self).__init__()
self.encoder = nn.Sequential(
nn.Conv2d(1, 16, 3, stride=3, padding=1), # b, 16, 10, 10
nn.ReLU(True),
nn.MaxPool2d(2, stride=2), # b, 16, 5, 5
nn.Conv2d(16, 8, 3, stride=2, padding=1), # b, 8, 3, 3
nn.ReLU(True),
nn.MaxPool2d(2, stride=1) # b, 8, 2, 2
)
self.decoder = nn.Sequential(
nn.ConvTranspose2d(8, 16, 3, stride=2), # b, 16, 5, 5
nn.ReLU(True),
nn.ConvTranspose2d(16, 8, 5, stride=3, padding=1), # b, 8, 15, 15
nn.ReLU(True),
nn.ConvTranspose2d(8, 1, 2, stride=2, padding=1), # b, 1, 28, 28
nn.Tanh()
)
def forward(self, x):
x = self.encoder(x)
x = self.decoder(x)
return x
這里使用了nn.ConvTranspose2d()，這可以看作是卷積的反操作，可以在某種意義上看作是反卷積。
我們使用卷積網(wǎng)絡(luò)得到的最后生成的圖片效果會(huì)更好，具體的圖片效果我就不再這里放了，可以在我們的github上看到圖片的展示。
變分自動(dòng)編碼器(Variational Autoencoder)
變分編碼器是自動(dòng)編碼器的升級(jí)版本，其結(jié)構(gòu)跟自動(dòng)編碼器是類似的，也由編碼器和解碼器構(gòu)成。
回憶一下我們?cè)谧詣?dòng)編碼器中所做的事，我們需要輸入一張圖片，然后將一張圖片編碼之后得到一個(gè)隱含向量，這比我們隨機(jī)取一個(gè)隨機(jī)噪聲更好，因?yàn)檫@包含著原圖片的信息，然后我們隱含向量解碼得到與原圖片對(duì)應(yīng)的照片。
但是這樣我們其實(shí)并不能任意生成圖片，因?yàn)槲覀儧]有辦法自己去構(gòu)造隱藏向量，我們需要通過一張圖片輸入編碼我們才知道得到的隱含向量是什么，這時(shí)我們就可以通過變分自動(dòng)編碼器來解決這個(gè)問題。
其實(shí)原理特別簡(jiǎn)單，只需要在編碼過程給它增加一些限制，迫使其生成的隱含向量能夠粗略的遵循一個(gè)標(biāo)準(zhǔn)正態(tài)分布，這就是其與一般的自動(dòng)編碼器最大的不同。
這樣我們生成一張新圖片就很簡(jiǎn)單了，我們只需要給它一個(gè)標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)隱含向量，這樣通過解碼器就能夠生成我們想要的圖片，而不需要給它一張?jiān)紙D片先編碼。
在實(shí)際情況中，我們需要在模型的準(zhǔn)確率上與隱含向量服從標(biāo)準(zhǔn)正態(tài)分布之間做一個(gè)權(quán)衡，所謂模型的準(zhǔn)確率就是指解碼器生成的圖片與原圖片的相似程度。我們可以讓網(wǎng)絡(luò)自己來做這個(gè)決定，非常簡(jiǎn)單，我們只需要將這兩者都做一個(gè)loss，然后在將他們求和作為總的loss，這樣網(wǎng)絡(luò)就能夠自己選擇如何才能夠使得這個(gè)總的loss下降。另外我們要衡量?jī)煞N分布的相似程度，如何看過之前一片GAN的數(shù)學(xué)推導(dǎo)，你就知道會(huì)有一個(gè)東西叫KL divergence來衡量?jī)煞N分布的相似程度，這里我們就是用KL divergence來表示隱含向量與標(biāo)準(zhǔn)正態(tài)分布之間差異的loss，另外一個(gè)loss仍然使用生成圖片與原圖片的均方誤差來表示。
我們可以給出KL divergence 的公式
$$
D_{KL} (P || Q) = \int_{-\infty}^{\infty} p(x) \log \frac{p(x)}{q(x)} dx
$$
這里變分編碼器使用了一個(gè)技巧“重新參數(shù)化”來解決KL divergence的計(jì)算問題。
這時(shí)不再是每次產(chǎn)生一個(gè)隱含向量，而是生成兩個(gè)向量，一個(gè)表示均值，一個(gè)表示標(biāo)準(zhǔn)差，然后通過這兩個(gè)統(tǒng)計(jì)量來合成隱含向量，這也非常簡(jiǎn)單，用一個(gè)標(biāo)準(zhǔn)正態(tài)分布先乘上標(biāo)準(zhǔn)差再加上均值就行了，這里我們默認(rèn)編碼之后的隱含向量是服從一個(gè)正態(tài)分布的。這個(gè)時(shí)候我們是想讓均值盡可能接近0，標(biāo)準(zhǔn)差盡可能接近1。而論文里面有詳細(xì)的推導(dǎo)如何得到這個(gè)loss的計(jì)算公式，有興趣的同學(xué)可以去看看推導(dǎo)
下面是PyTorch的實(shí)現(xiàn)
reconstruction_function = nn.BCELoss(size_average=False) # mse loss
def loss_function(recon_x, x, mu, logvar):
"""
recon_x: generating images
x: origin images
mu: latent mean
logvar: latent log variance
"""
BCE = reconstruction_function(recon_x, x)
# loss = 0.5 * sum(1 + log(sigma^2) - mu^2 - sigma^2)
KLD_element = mu.pow(2).add_(logvar.exp()).mul_(-1).add_(1).add_(logvar)
KLD = torch.sum(KLD_element).mul_(-0.5)
# KL divergence
return BCE + KLD
另外變分編碼器除了可以讓我們隨機(jī)生成隱含變量，還能夠提高網(wǎng)絡(luò)的泛化能力。
最后是VAE的代碼實(shí)現(xiàn)
class VAE(nn.Module):
def __init__(self):
super(VAE, self).__init__()
self.fc1 = nn.Linear(784, 400)
self.fc21 = nn.Linear(400, 20)
self.fc22 = nn.Linear(400, 20)
self.fc3 = nn.Linear(20, 400)
self.fc4 = nn.Linear(400, 784)
def encode(self, x):
h1 = F.relu(self.fc1(x))
return self.fc21(h1), self.fc22(h1)
def reparametrize(self, mu, logvar):
std = logvar.mul(0.5).exp_()
if torch.cuda.is_available():
eps = torch.cuda.FloatTensor(std.size()).normal_()
else:
eps = torch.FloatTensor(std.size()).normal_()
eps = Variable(eps)
return eps.mul(std).add_(mu)
def decode(self, z):
h3 = F.relu(self.fc3(z))
return F.sigmoid(self.fc4(h3))
def forward(self, x):
mu, logvar = self.encode(x)
z = self.reparametrize(mu, logvar)
return self.decode(z), mu, logvar
VAE的結(jié)果比普通的自動(dòng)編碼器要好很多，下面是結(jié)果
VAE的缺點(diǎn)也很明顯，他是直接計(jì)算生成圖片和原始圖片的均方誤差而不是像GAN那樣去對(duì)抗來學(xué)習(xí)，這就使得生成的圖片會(huì)有點(diǎn)模糊。現(xiàn)在已經(jīng)有一些工作是將VAE和GAN結(jié)合起來，使用VAE的結(jié)構(gòu)，但是使用對(duì)抗網(wǎng)絡(luò)來進(jìn)行訓(xùn)練，具體可以參考一下這篇論文。
參考內(nèi)容: kvfrans blog
本文代碼已經(jīng)上傳到了github上
歡迎查看我的知乎專欄，深度煉丹
歡迎訪問我的博客
