我对可变自动编码器的损耗函数有疑问。我遵循tensorflow示例https://www.tensorflow.org/tutorials/generative/cvae创建了一个LSTM-VAE，用于采样窦函数。
我的编码器输入是针对特定范围（随机采样）的一组点（x_i，sin（x_i）），作为解码器的输出，我希望得到类似的值。
在张量流指南中，存在交叉熵，用于将编码器输入与解码器输出进行比较。
cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=x)
这很有意义，因为输入和输出被视为概率。但实际上，这些可能的功能代表了我的窦功能。
我不能简单地使用均方误差而不是交叉熵（我尝试过并且效果很好）还是在某种程度上导致体系结构的错误行为？
最诚挚的问候，感谢您的帮助！
答案 0 :(得分：0)
好吧，当您工作过多而停止正确思考时，就会发生此类问题。为了解决这个问题，考虑一下我要做什么是很有意义的。
p（x | z）是解码器的重建，这意味着通过从z采样以x的概率生成值x。在张量流示例中，使用图像分类/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。使用mse是一种逻辑。
希望能在某个时候帮助某人。
致谢。