Python 贝塔变分自动编码器

我已经跟随了变分自动编码器的一部分。我在项目中的第一个任务是重新生成一些表示网格布局划分方式的向量。因此，我创建了自己的数据集，其中至少包含5000行维度向量（1,36）。这些矢量表示6×6的网格布局。 因此，我使用了一些数据集作为我的模型的训练集，即变分自动编码器。然后，由于我的项目任务要求我使用解纠缠VAE或Beta VAE，我阅读了一些关于这种VAE的文章，并认为您只需要更改Beta值

所以我使用的代码就在这里

首先，根据我在互联网上读到的，当beta值优于1时，我们将获得更好的构建结果，这与我在模型中发现的正好相反

其次，我改变了模型中的许多超参数，比如beta、批量大小、历元数、采样向量的标准变化，但仍然没有得到数据的良好重建。我想我在理解这个模型时遗漏了一些东西，但我不知道它是什么。

---

通过编写这段代码，我是否正确理解了beta变分自动编码器？

beta项表示作用于先验和你的变分近似的KL项，它越高，重建效果越差。所以你的发现是有道理的