公式推导
VAE的ELBO: 从变分推断到重参数化
从最大化数据对数似然出发，引入变分分布，推导ELBO目标函数及重参数化技巧。
第 1 / 617%
1
最大化对数似然
👉
关键部分
VAE目标是最大化数据的边际对数似然，但需对所有隐变量 z 积分，通常无法解析求解。
🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
💡
概念VAE和普通自编码器的关键区别是：VAE编码器输出的是"分布的参数"(均值和方差)而非确定值，再从中采样。这个"重参数化技巧"让模型可以反向传播，也让潜在空间变得连续——在两个潜向量之间插值就能生成平滑过渡的图像。
一句话总结
💡
VAE 通过编码器输出分布、重参数化采样和解码器重建，以变分下界（ELBO）优化，实现可控的连续隐空间生成。
常见误区
这些坑别踩
✗
误区 1
VAE 和普通自编码器一样。
✓
正确理解
VAE 编码分布而非确定值，并加 KL 正则使隐空间连续可采样，普通 AE 隐空间无结构。
✗
误区 2
重参数化只是数学技巧没意义。
✓
正确理解
重参数化将随机性移出计算图，使梯度能通过采样节点回传，是训练关键。
✗
误区 3
VAE 生成的图像很清晰。
✓
正确理解
VAE 因像素级 MSE 损失常生成偏模糊的图像，这是其相对 GAN 的劣势。