生成模型实战 | 条件变分自编码器（conditional Variational Autoencoder, cVAE）

生成模型实战 | 条件变分自编码器

• 0. 前言
• 1. cVAE 简介
• 2. cVAE 原理
  • 2.1 变分下界的条件化
  • 2.2 重参数化
  • 2.3 cVAE 网络结构
• 3. 实现 cVAE
  • 3.1 数据加载与预处理
  • 3.2 构建模型
  • 3.3 模型训练
• 相关链接

0. 前言

本节首先概述条件变分自编码器 (conditional Variational Autoencoder, cVAE) 的核心思想：在普通 VAE 的基础上，通过将标签信息作为“条件”输入，使得生成模型可以在特定类别上进行数据重构与新样本生成。接着详细讲解 cVAE 的理论推导，包括证据下界 (Evidence Lower Bound, ELBO) 的条件化形式以及重参数化技巧。最后，使用 PyTorch 构建 cVAE，并使用 Fashion-MNIST 数据集进行训练。

1. cVAE 简介

条件变分自编码器 (conditional Variational Autoencoder, cVAE) 是基于变分自编码器 (Variational Autoencoder, VAE) 而来的一种生成模型，它在原始 VAE 的基础上引入了条件变量(例如图像的类别标签)，使编码器和解码器在“潜变量”之外，还同时接收类别信息，从而能够在生成阶段针对特定类别生成样本。相比于无条件的 VAE，cVAE 在生成可控性