我正在尝试为真实数据实现变体自动编码器，其中编码器和解码器均通过多元高斯模型进行建模。对于编码器是高斯而解码器是伯努利的情况，我在网上找到了几种实现方式，但对于高斯解码器的情况却没有。对于Bernoulli解码器，重建损失可以定义如下
reconstr_loss = tf.nn.sigmoid_cross_entropy_with_logits(labels=x,logits=x_out_logit)
其中x_out_logit由DNN建模。我不确定如何为高斯案例写出重建损失。我假设解码器也应该输出均值（gz_mean）和方差（gz_log_sigma_sq）（类似于高斯编码器），并且由于重建损失是高斯概率，因此我将其定义为
mvn = tf.contrib.distributions.MultivariateNormalDiag(loc=self.gz_mean,scale_diag=tf.sqrt(tf.exp(self.gz_log_sigma_sq)))
reconstr_loss = tf.log(1e-20+mvn.prob(self.x))
但是，这种损失似乎不起作用，无论采取什么培训步骤，mvn.prob（self.x）始终为零。请让我知道考虑这种情况的任何想法或任何git-hub来源。