Generatives Deep Learning, 2. Auflage

Kapitel 3. Variationale Autoencoder

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Kapitel Ziele

In diesem Kapitel lernst du:

• Erfahre, wie die Architektur von Autoencodern sie perfekt für die generative Modellierung geeignet macht.

• Baue und trainiere einen Autoencoder von Grund auf mit Keras.

• Nutze Autoencoder, um neue Bilder zu erzeugen, aber sei dir über die Grenzen dieses Ansatzes im Klaren.

• Erfahre mehr über die Architektur des Variations-Autoencoders und wie er viele der Probleme löst, die mit Standard-Autoencodern verbunden sind.

• Baue einen Variations-Autoencoder von Grund auf mit Keras.

• Nutze Variations-Autoencoder, um neue Bilder zu erzeugen.

• Verwende Variations-Autoencoder, um die erzeugten Bilder mit Hilfe der Latent Space Arithmetik zu bearbeiten.

Im Jahr 2013 veröffentlichten Diederik P. Kingma und Max Welling eine Arbeit, die den Grundstein für eine Art von neuronalem Netzwerk legte, das als Variational Autoencoder (VAE) bekannt ist.¹ Dies ist heute eine der grundlegendsten und bekanntesten Deep Learning-Architekturen für generative Modellierung und ein hervorragender Ausgangspunkt für unsere Reise in das generative Deep Learning.

In diesem Kapitel beginnen wir mit dem Aufbau eines Standard-Autoencoders und sehen dann, wie wir diesen Rahmen erweitern können, um einen Variations-Autoencoder zu entwickeln. Im Laufe des Kapitels werden wir beide Arten von Modellen ...