趋近智
自动编码器与表示学习
章节 1: 表示学习的基本原理
无监督学习原理回顾
线性降维的局限性
流形学习方法简介
非线性特征提取的需求
信息瓶颈理论基础
数学基础知识回顾
章节 2: 经典自动编码器架构
编码器网络设计
瓶颈层
解码器网络设计
重建损失函数
基础自编码器的数学公式表示
实现考量与框架
搭建简单自编码器：实践操作
章节 3: 正则化自动编码器：构建稳固表示
处理自编码器中的过拟合
稀疏自编码器：L1 和 KL 散度
去噪自编码器架构与训练
收缩自编码器公式
正则化技术的比较
实施去噪自编码器：动手实践
实现稀疏自编码器：实践操作
章节 4: 变分自编码器用于生成式建模
确定性自动编码器的生成局限
概率编码器与解码器
隐变量模型视角
重参数化技巧的解释
推导证据下界（ELBO）
KL散度项分析
变分自编码器中的重构损失项
条件变分自编码器 (CVAE)
实现图像生成变分自编码器：实践
章节 5: 进阶自动编码器结构
用于空间数据的卷积自编码器
循环自编码器处理序列数据
对抗性自编码器（AAEs）
向量量化变分自编码器 (VQ-VAEs)
基于Transformer的自编码器概述
比较高级架构
卷积自编码器的实现：动手操作
章节 6: 理解和操纵潜在空间
使用 t-SNE 和 UMAP 可视化潜在空间
学习所得表征的特性
解耦表示理论
促进解缠的方法
潜在空间中的插值与遍历
潜在空间中的算术运算
评估表示质量的指标
潜在空间可视化与分析：实操篇
章节 7: 应用与训练策略
自编码器用于异常检测
降维和数据压缩的应用
自动编码器用于深度网络预训练
图像去噪和修补应用
序列到序列自编码器概述
高级优化算法
学习率计划与调整
超参数调优策略
使用自编码器进行异常检测：实践
实现图像生成变分自编码器：实践
这部分内容有帮助吗？
- Auto-Encoding Variational Bayes, Diederik P Kingma, Max Welling, 2013 arXiv preprint arXiv:1312.6114 DOI: 10.48550/arXiv.1312.6114 - 介绍了变分自编码器（VAE）模型，详细阐述了概率框架、重参数化技巧和ELBO目标，为本节提供了理论基础。
- Variational AutoEncoder (VAE), fchollet, 2024 Keras Documentation - 官方Keras示例，使用Model子类化、自定义层和train_step提供了VAE的实践实现，与本节采用的方法一致。
- Deep Learning, Ian Goodfellow, Yoshua Bengio, Aaron Courville, 2016 (MIT Press) - 第20章对变分自编码器进行了理论说明，包括ELBO和重参数化技巧的数学推导。
- Customizing what happens in Model.fit(), fchollet, 2023 TensorFlow Documentation - 说明了如何使用tf.keras.Model子类化实现自定义训练步骤和损失计算，这对于实践示例中VAE的ELBO目标至关重要。