机器算法验证 - VAE 中的重新参数化技巧，我们应该怎么做？ - 吾爱随笔录

我对重新参数化技巧如何工作感到困惑。在本文中显示它非常简单。你学习了两个向量和，从中采样，然后你的潜在向量将是（其中是元素乘积。）：但是当我查看 VAE 的 TensorFlow 教程代码时，它不仅仅是一个简单的。代码是这样的： $\sigma$ $\mu$ $\epsilon$ $N(0, 1)$ $Z$ $\odot$

Z = μ + σ ⊙ ϵ

$Z = \mu + \sigma\odot\epsilon$

⊙

$\odot$

  def reparameterize(self, mean, logvar):
    eps = tf.random.normal(shape=mean.shape)
    return eps * tf.exp(logvar * .5) + mean

这表明了这一点：

Z = μ + ϵ \times e^{0.5 \times \log v a r}

$Z = \mu + \epsilon\times e^{0.5\times\log{}var}$

这两个不一样，我很困惑，

首先为什么它学习方差的对数（正如变量的名称所暗示的那样）而不是仅仅学习方差。
二、为什么要乘以0.5？
最后，哪一个是正确的重新参数化技巧（如果它们不同）？