我可以在“任何”深度神经网络上应用重新参数化技巧吗?
人工智能
神经网络
训练
自动编码器
2021-10-30 14:18:15
2个回答
重新参数化技巧(也称为路径导数或无穷小扰动分析)是一种计算随机变量函数梯度的方法。例如,它用于变分自动编码器或确定性策略梯度算法。
如果您打算使用涉及随机变量的模型,您肯定需要了解重新参数化技巧是什么。
您还需要了解另一种计算随机变量函数梯度的方法,即似然比(也称为得分函数或 REINFORCE 梯度)。
如果您对“传统”神经网络的定义不涉及随机变量,那么这种方法是无关紧要的。
是的,重新参数化技巧在变分贝叶斯神经网络的上下文中可能很有用,尽管其他更有效的方差减少技术更常用(特别是翻转估计器)。请参阅使用 Flipout 的 BNN实现,但用于实现该示例的库 TensorFlow Probability 也提供了实现重新参数化技巧的层。
请注意,重新参数化技巧用于变分自动编码器 (VAE)的上下文中(因此不在确定性自动编码器的上下文中)。VAE 和 BNN 有很多共同点:两者都基于随机变分推理(即变分推理与随机梯度下降相结合)。因此,每当您进行一些采样或一些随机操作时,重新参数化技巧可能会很有用。但是,现在,我只熟悉使用它的这两种类型的模型。