在学习GAN的过程中，也不可避免的会接触到VAE和AAE，其中AAE根据VAE发展而来，其发展之处就在于加入了对抗的思想。
image.png
其中上半部分就是一个简单典型的AE结构，包含input layer，encoder layer, hidden layer, decoder layer , output layer。encoder把真实分布x映射成隐层的z, decoder 再将z解码还原成x。
AAE的特点就在于在隐层hidden layer中引入了对抗的思想来优化隐层的z，判别器discriminator 需要在隐层 判断采样后的真实数据和生成器encoder所产生的假数据。因此discriminator的目的就是使得q(z | x) 不断向p(z)靠近, Matching the aggregated posterior q(z) to the prior p(z）.
其中有三种q(z | x)的选择，包括确定性函数，高斯后验和通用近似后验，其中使用确定性函数，它的q（z）只是和真实数据分布有关，其他两种的q（z）除了与真实分布有关，还与这两种方式中的某些随机性有关。
6011252-e01ed89a1242ca2b.jpg
上图可以清晰理解的看到AAE的整个结构。Adversarial Autoencoders论文链接：https://arxiv.org/abs/1511.05644
网友评论