Question

可变自动编码器（VAE）本身就是一个非常笨拙的概念。毫不奇怪，大多数文章，评论和教程都侧重于理论和体系结构，但是大多数也未能解决数据缩放的问题。在尝试VAE时，我遇到了一个（对我来说）令人惊讶的读取标志，即将数据缩放为VAE的方式非常重要，我无法理解。

让我们假设目标是通过VAE重建正弦波（例如声波）。当我通过模型输入标准化数据时，它只能近似介于-1和1之间的值。显然，快速的答案是将数据标准化。尽管如此，这仍然导致以下问题：

1）VAE只能近似于-1和1之间的值是什么原因？（是高斯重新参数化，梯度消失了吗？）

2）有没有办法克服这个边界（模型更改）？

3）为VAE缩放数据的最佳实践是什么？数据是否应该通过std dev进行标准化？

Answer 1

可变自动编码器可以近似任何范围内的值。这里的问题在于该特定模型的体系结构。

此VAE的解码器使用keras.layers.LSTM作为最后一层。 This layer's default activation function is tanh,和tanh函数输出（-1,1）范围内的值。这就是为什么模型无法生成超出该范围的值的原因。

但是，如果我们将激活函数更改为线性替换，则

decoder_mean = LSTM(input_dim, return_sequences=True)

使用

decoder_mean = LSTM(input_dim, return_sequences=True, activation=None)

VAE现在可以近似数据了。这是我训练100个时期后得到的结果。

通常的建议是通过缩放数据或选择更具表现力的函数，确保尝试近似的数据位于用于近似的函数的范围内。