# graduation

**Repository Path**: harrylan/graduation

## Basic Information

- **Project Name**: graduation
- **Description**: 毕业设计
- **Primary Language**: Python
- **License**: AGPL-3.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2020-05-22
- **Last Updated**: 2020-12-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# graduation

#### 介绍
毕业设计
  基于此，本文做了以下几点工作。首先为了使后验分布获得额外的灵活性，直接从后验分布采样，得到新的隐变量模型，利用蒙特卡洛期望估计方法对训练数据集的真实分布进行估计，并详细了推导更紧凑的变分下界，将其作为新的训练目标函数。因为在更新梯度时，每个采样点的权重与自身重要性成正比，故称为重要加权自编码器。然后为了进一步提高图像的清晰度，将网络结构改进成使用卷积神经网络为基础的神经网络结构。
　　为了验证重要加权自动编码器在图像重构和生成的效果，我们在MNIST数据集和CelebA数据集上进行了实验。此外，本文可视化地研究了隐空间在图像重构与生成中作用。实验结果证明了一对多的采样方式使得IWAE具备了良好的模型泛化能力，能适应更多样的数据分布形式，给生成模型带来额外的灵活性，进而学习到更丰富的隐变量特征；CNN的加入提升了模型对图像特征提取和处理能力，也提高了生成图像的逼真程度。