Generative Deep Learning, 2a edizione

Capitolo 3. Autoencoder variazionali

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Obiettivi del capitolo

In questo capitolo scoprirai:

• Scopri come il design architettonico degli autoencoder li rende perfettamente adatti alla modellazione generativa.

• Costruisci e addestra un autoencoder da zero utilizzando Keras.

• Usa gli autoencoder per generare nuove immagini, ma comprendi i limiti di questo approccio.

• Scopri l'architettura dell'autoencoder variazionale e come risolve molti dei problemi associati agli autoencoder standard.

• Costruisci un autoencoder variazionale da zero usando Keras.

• Usa gli autoencoder variazionali per generare nuove immagini.

• Usa gli autoencoder variazionali per manipolare le immagini generate utilizzando l'aritmetica dello spazio latente.

Nel 2013, Diederik P. Kingma e Max Welling hanno pubblicato un articolo che gettava le basi per un tipo di rete neurale nota come autoencoder variazionale (VAE).¹ Questa è oggi una delle architetture di deep learning più fondamentali e conosciute per la modellazione generativa e rappresenta un ottimo punto di partenza per il nostro viaggio nel deep learning generativo.

In questo capitolo inizieremo a costruire un autoencoder standard e vedremo poi come estendere questo framework per sviluppare un autoencoder variazionale. Durante il percorso, analizzeremo entrambi i tipi di modelli per capire come funzionano a livello ...