Tensorflow示例中的损失函数变分自动编码器_Tensorflow_Machine Learning_Computer Vision_Autoencoder_Loss Function

Tensorflow示例中的损失函数变分自动编码器

tensorflow machine-learning computer-vision

Tensorflow示例中的损失函数变分自动编码器,tensorflow,machine-learning,computer-vision,autoencoder,loss-function,Tensorflow,Machine Learning,Computer Vision,Autoencoder,Loss Function,我有一个关于变分自动编码器中的损失函数的问题。我按照tensorflow示例创建了一个LSTM-VAE，用于对窦性函数进行采样我的编码器输入是一组点x_i，sinx_i，用于随机采样的特定范围，作为解码器的输出，我期望类似的值在tensorflow指南中，交叉熵用于比较编码器输入和解码器输出 cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=x) 这是有意义的，因为输入和输出被视为概率。但实

我有一个关于变分自动编码器中的损失函数的问题。我按照tensorflow示例创建了一个LSTM-VAE，用于对窦性函数进行采样

我的编码器输入是一组点x_i，sinx_i，用于随机采样的特定范围，作为解码器的输出，我期望类似的值

在tensorflow指南中，交叉熵用于比较编码器输入和解码器输出

cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=x)

这是有意义的，因为输入和输出被视为概率。但实际上，这些概率函数代表了我的窦函数集

我不能简单地使用均方误差来代替交叉熵吗？我试过了，它工作得很好，或者在某个点上导致了架构的错误行为

最好的问候和感谢您的帮助

当你工作太多，思维不正常时，就会出现这样的问题。为了解决这个问题，考虑一下我想做什么是有意义的

px | z是解码器重构，这意味着，通过从z采样，x值以p的概率生成。在tensorflow示例中，使用了图像分类/生成，在这种情况下，交叉熵是有意义的。我只是想最小化输入和输出之间的距离。mse的使用是合乎逻辑的

希望这能在某些方面帮助到别人

问候