MNIST 数据集上的变分自编码器与条件变分自编码器

VAE 论文：自动编码变分贝叶斯

CVAE 论文：深度生成模型的半监督学习

---

要运行 条件 变分自编码器，请在命令中添加 --conditional。有关超参数设置（如学习率、批量大小、编码器/解码器的层数和每层的神经元数量），请查看代码中的其他命令行选项。

---

结果

所有图表均在训练 10 个 epoch 后获得。超参数采用代码中的默认设置，未进行调优。

z ~ q(z|x) 和 q(z|x,c)

经过 10 个 epoch 训练后，针对每个数字随机采样 100 个样本所得到的潜在空间分布。

VAE	CVAE

p(x|z) 和 p(x|z,c)

随机采样的 z 及其对应的输出。对于 CVAE，每个类别标签 c 都被作为输入使用了一次。

VAE	CVAE

VAE-CVAE-MNIST 快速上手指南

本指南帮助开发者快速在 MNIST 数据集上运行变分自编码器（VAE）及条件变分自编码器（CVAE）。

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：建议 Python 3.6+
• 前置依赖：
  • PyTorch
  • NumPy
  • Matplotlib
  • torchvision (用于加载 MNIST 数据集)

国内加速建议：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。

pip install torch torchvision numpy matplotlib -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 克隆项目仓库：

   git clone https://github.com/timbmg/VAE-CVAE-MNIST.git
   cd VAE-CVAE-MNIST
   

2. 安装所需依赖（如未在全局环境安装）：

   pip install -r requirements.txt
   

   注：若项目中无 requirements.txt，请参考上方“环境准备”中的依赖列表手动安装。

基本使用

1. 运行标准 VAE 模型

使用默认超参数训练并生成结果：

python main.py

2. 运行条件变分自编码器 (CVAE)

添加 --conditional 标志以启用 CVAE 模式：

python main.py --conditional

3. 自定义超参数

可通过命令行调整学习率、批次大小、网络层深度等参数。例如：

python main.py --lr 0.001 --batch-size 128 --z-dim 20

具体可用参数请查阅 main.py 源码中的 argparse 配置部分。

运行结束后，程序将自动生成潜在空间分布图（q(z|x)）及重构/生成样本图（p(x|z)），默认训练 10 个 epoch。