https://github.com/zombietdv/a-guide-to-variational-inference-and-neural-networks-for-approximating-latent-spaces
Hướng dẫn và mã nguồn toàn diện về Suy luận Biến thiên và Mạng Nơ-ron (Autoencoder & VAE) cho bài toán xấp xỉ, trực quan hóa không gian ẩn với các thí nghiệm chi tiết trên không gian 2D và 32D.
https://github.com/zombietdv/a-guide-to-variational-inference-and-neural-networks-for-approximating-latent-spaces
autoencoder deep-learning latent-space machine-learning mnist-dataset neural-networks pytorch research-project variational-autoencoder variational-inference visualization
Last synced: 27 days ago
JSON representation
Hướng dẫn và mã nguồn toàn diện về Suy luận Biến thiên và Mạng Nơ-ron (Autoencoder & VAE) cho bài toán xấp xỉ, trực quan hóa không gian ẩn với các thí nghiệm chi tiết trên không gian 2D và 32D.
- Host: GitHub
- URL: https://github.com/zombietdv/a-guide-to-variational-inference-and-neural-networks-for-approximating-latent-spaces
- Owner: zombieTDV
- License: other
- Created: 2025-04-29T05:26:23.000Z (about 1 month ago)
- Default Branch: main
- Last Pushed: 2025-04-29T10:51:19.000Z (about 1 month ago)
- Last Synced: 2025-05-04T13:17:40.240Z (27 days ago)
- Topics: autoencoder, deep-learning, latent-space, machine-learning, mnist-dataset, neural-networks, pytorch, research-project, variational-autoencoder, variational-inference, visualization
- Language: Python
- Homepage:
- Size: 36.9 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
- License: LICENSE.md
Awesome Lists containing this project
README
# Hướng Dẫn Suy Luận Biến Thiên và Mạng Nơ-ron Cho Xấp Xỉ Không Gian Ẩn
Kho lưu trữ này chứa mã nguồn và kết quả nghiên cứu về các mô hình Autoencoder (AE) và Variational Autoencoder (VAE) cho bài toán xấp xỉ không gian ẩn. Dự án này khám phá các kiến trúc khác nhau và khả năng học, biểu diễn không gian ẩn của chúng.
## Tổng Quan Dự Án
Dự án này triển khai và so sánh bốn kiến trúc mạng nơ-ron khác nhau:
1. **Variational Autoencoder (VAE) 2D**
- Có hoạt ảnh sampling
- Không gian ẩn 2 chiều
- Thể hiện bản chất xác suất của VAE
2. **Autoencoder (AE) 2D**
- Không gian ẩn 2 chiều
- Mã hóa/giải mã xác định
- Làm chuẩn so sánh với VAE
3. **Variational Autoencoder (VAE) 32D**
- Không gian ẩn 32 chiều
- Khả năng biểu diễn mạnh hơn
- Mô hình hóa dữ liệu phức tạp hơn
4. **Autoencoder (AE) 32D**
- Kiến trúc mạng nơ-ron tiêu chuẩn
- Không gian ẩn 32 chiều
- Chuẩn so sánh cho mã hóa chiều cao
## Kết Quả và Phân Tích
### So Sánh Mô Hình 2D
- **Trực quan hóa không gian ẩn**
- VAE: Không gian ẩn liên tục, cấu trúc tốt
- AE: Thể hiện sự gom cụm và tách biệt các lớp
- Có hoạt ảnh sampling cho VAE
### Hoạt ảnh sampling Autoencoder 2D
### Hoạt ảnh sampling Autoencoder 2D (Ví dụ 2)
### Hoạt ảnh di chuyển không gian ẩn VAE 2D
### So Sánh Mô Hình 32D
- **Chất lượng tái tạo**
- Chỉ số định lượng như: MSE
- So sánh trực quan
- Phân tích phân bố không gian ẩn
## Chi Tiết Triển Khai
### Yêu Cầu
- Python 3.x
- PyTorch
- NumPy
- Matplotlib
- scikit-learn
### Cấu Trúc Dự Án
```
├── Models/
│ ├── Auto_enoder_MNIST_with_sampling_animation.py
│ ├── Auto_enoder_MNIST.py
│ ├── Variational_AutoEncoder_with_sampling_animation.py
│ └── Variational_AutoEncoder.py
├── Kết_quả_huấn_luyện_Autoencoder/
│ ├── 2D_latent_AE/
│ └── 32D_latent_AE/
├── Kết_quả_huấn_luyện_Variational_Autoecoder/
│ ├── 2D_latent_VAE/
│ └── 32D_latent_VAE/
├── Assets/
│ ├── sampling_1.gif
│ ├── sampling_2.gif
│ └── vae_latent_walk.gif
| |__ ...
├── README.md
└── requirements.txt
```
## Hướng Dẫn Sử Dụng
1. Cài đặt các thư viện cần thiết:
```bash
pip install -r requirements.txt
```
2. Chạy các mô hình:
```bash
# Đối với VAE 2D có hoạt ảnh sampling
python Models/Variational_AutoEncoder_with_sampling_animation.py
# Đối với AE 2D có hoạt ảnh sampling
python Models/Auto_enoder_MNIST_with_sampling_animation.py
# Đối với VAE 32D
python Models/Variational_AutoEncoder.py
# Đối với AE 32D
python Models/Auto_enoder_MNIST.py
```
Kết quả và hình ảnh trực quan sẽ được lưu vào các thư mục tương ứng:
- Kết quả Autoencoder: `Kết_quả_huấn_luyện_Autoencoder/`
- Kết quả VAE: `Kết_quả_huấn_luyện_Variational_Autoecoder/`
## Bài Báo Nghiên Cứu
Mã nguồn này đi kèm với bài báo "Hướng Dẫn Suy Luận Biến Thiên và Mạng Nơ-ron Cho Xấp Xỉ Không Gian Ẩn". Bài báo trình bày chi tiết lý thuyết, phương pháp và phân tích kết quả được thể hiện trong kho lưu trữ này.
## Giấy Phép
Dự án này được phát hành theo giấy phép MIT - xem file LICENSE để biết chi tiết.
## Liên Hệ
Nếu có câu hỏi hoặc góp ý, vui lòng mở issue trên kho lưu trữ hoặc liên hệ với tác giả.