Deep learning 如何选择VAE中潜在变量先验分布的正确性？
我想问一下关于确定VAE中潜变量的正确优先级的问题。最重要的是，我对选择正确分布（可能是数据结构、模型结构等）时需要考虑的关键点感到好奇，特别是在彩色（3通道）数据集上。我想继续讲一个小场景，这可能会使回答问题变得容易 场景：首先，假设我有8位图像的实例，这些图像在数据集中有[3,27,27]维。而且，实例值在[0,1]之间。此外，如果我把它放在由卷积编码器和解码器构成的VAE设置中。编码器和解码器可能有这样的结构设计Deep learning 如何选择VAE中潜在变量先验分布的正确性？,deep-learning,pytorch,conv-neural-network,autoencoder,Deep Learning,Pytorch,Conv Neural Network,Autoencoder,我想问一下关于确定VAE中潜变量的正确优先级的问题。最重要的是，我对选择正确分布（可能是数据结构、模型结构等）时需要考虑的关键点感到好奇，特别是在彩色（3通道）数据集上。我想继续讲一个小场景，这可能会使回答问题变得容易 场景：首先，假设我有8位图像的实例，这些图像在数据集中有[3,27,27]维。而且，实例值在[0,1]之间。此外，如果我把它放在由卷积编码器和解码器构成的VAE设置中。编码器和解码器可能有这样的结构设计 #简单Conv编码器 self.encoder=nn.Sequential(
#简单Conv编码器
self.encoder=nn.Sequential(
nn.Conv2d（自输入_通道，36,4,1,0），
nn.LeakyReLU（0.2），
nn.MaxPool2d（2,2），
nn.Conv2d（36,48,3,1,0），
nn.LeakyReLU（0.2），
nn.MaxPool2d（2,2），
nn.Conv2d（48,32,3,1,0）
)
#简单Conv解码器
self.decoder=nn.Sequential(
nn.ConvTranspose2d（16,36,3,1,0），
nn.ReLU（），
nn.上采样（比例因数=2），
nn.ConvTranspose2d（36,48,3,1,0），
nn.ReLU（），
nn.上采样（比例因数=2），
nn.ConvTranspose2d（48100,4,1,0），
nn.Sigmoid（）
)