ＶＡＥ（2/4）実施例の説明
はぐれ弁理士 PA Tora-O です。前回（第１回）では、オートエンコーダの概要について説明しました。改めて復習されたい方は、こちらのリンクから確認をお願いします。今回（第２回）は、ＶＡＥの実施例について、ネットワーク構造を中心に説明します。
ネットワーク構造
まず、ＶＡＥ（Variational Autoencoder）のネットワーク構造について説明します。以下、［１］学習フェーズ、［２］生成フェーズ、の２つの演算フェーズに分けて図解します。
図１は、学習フェーズ時のネットワーク構造を示しています。学習を行う際には、ＶＡＥは、一般的なオートエンコーダと外観上同一の構造を有します。特別な説明は不要と思われますが、あえてポイントを挙げれば、入力画像と正解画像が同一である点でしょうか。
図２は、生成フェーズ時のネットワーク構造を示しています。ここでのポイントは、オートエンコーダの前段、つまりエンコーダ部分が取り除かれた状態で用いられる点です。前回で説明した通り、連結層では、入力画像の潜在的特徴を示すＬ次元ベクトルを出力します。つまり、ＶＡＥでは、Ｌ次元ベクトルを用いて様々な画像を生成することになります。
連結層の周辺構成
続いて、エンコーダとデコーダを連結する連結層の周辺構成について、図３を参照しながら説明します。
エンコーダを構成する畳み込みニューラルネットワーク（ＣＮＮ）の下流側には、Ｌ次元の特徴ベクトル｛ｚ｝を生成する特徴ベクトル生成部が設けられています。この特徴ベクトル生成部は、ミュー演算器と、シグマ演算器と、標本値生成器と、座標演算器を備えています。これらの各演算器の機能は以下の通りです。
［１］ミュー演算器
入力側がＣＮＮ最下流層に、出力側が座標演算器に接続される演算器です。ミュー演算器は、荷重和演算及び活性化関数の作用により、Ｌ個の｛μ｝を出力します。｛μ｝は、平均値に相当します。
［２］シグマ演算器
入力側がＣＮＮ最下流層に、出力側が座標演算器に接続される演算器です。シグマ演算器は、荷重和演算及び活性化関数の作用により、Ｌ個の｛σ｝を出力します。｛σ｝は、標準偏差に相当します。
［３］標本値生成器
出力側が座標演算器に接続される演算器です。標本値生成器は、標準正規分布に従う確率で標本値｛ε｝を出力します。標準正規分布は、平均値が０、標準偏差が１であるガウス分布に相当します。
［４］座標演算器
入力側が上記した３つの演算器に、出力側が連結層に接続される演算器です。座標演算器は、ｚ＝μ＋σ・ε の演算を行って、Ｌ個の座標値｛ｚ｝を出力します。
以上、今回（第２回）は、ＶＡＥの実施例について説明しました。次回（第３回）は、算出したパラメータや特徴ベクトルに関する数学的意味について説明します。学習パラメータが固定であるという前提の下、ＡＥでは画像が入力されると必ず同じ特徴ベクトルが生成されるが、ＶＡＥではそのようにならない、というのがヒントです。
↓ブログランキングに参加しています。よろしければ１クリックお願いします。
