Tensorflow 变分自动编码器中为什么使用交叉熵计算损耗

我正在通过阅读学习变分自动编码器的原理和实现。 在文档中，它说优化以下函数：log{p（x|z）}+log{p（z）}-log{q（z|x）}。然而，在代码中，我无法理解为什么实现使用交叉熵来计算log{p（x | z）}。有人能给我解释一下交叉熵是如何与log{p（x | z）}联系在一起的吗

---

提前谢谢。

好的，这不是我的专业，但是。在定义变分损失时，我们通常谈论KL散度。交叉熵是KL散度和一个分布熵的总和。如果该分布的熵不依赖于模型参数（即它是抽样的），那么我们可以使用CE而不是KL来产生损失。这些人只是留下了很多故事，因为他们专注于提供一个技术指南hi@y.selivonchyk，谢谢你的回答。当你说“如果该分布的熵不依赖于模型参数（即，它是采样的），那么我们可以使用CE而不是KL来产生损失”，这是因为使用CE，人们实际上可以计算梯度并进行反向传播吗？绝对可以。CE产生的数字输出可以用作损耗，并且可以最小化。如果CE的任何参数依赖于模型参数，而不是最小化该损失，那么我们可以为参数生成梯度。记住，这并不一定意味着培训的结果会有意义：如果发生VAE，必须再增加一些损失。好吧，这不是我的专业，而是我的专业。在定义变分损失时，我们通常谈论KL散度。交叉熵是KL散度和一个分布熵的总和。如果该分布的熵不依赖于模型参数（即它是抽样的），那么我们可以使用CE而不是KL来产生损失。这些人只是留下了很多故事，因为他们专注于提供一个技术指南hi@y.selivonchyk，谢谢你的回答。当你说“如果该分布的熵不依赖于模型参数（即，它是采样的），那么我们可以使用CE而不是KL来产生损失”，这是因为使用CE，人们实际上可以计算梯度并进行反向传播吗？绝对可以。CE产生的数字输出可以用作损耗，并且可以最小化。如果CE的任何参数依赖于模型参数，而不是最小化该损失，那么我们可以为参数生成梯度。请记住，这并不一定意味着此类培训的结果将是有意义的：在VAE的情况下，必须增加一些损失。