Autoencoders Variacionais e o Espaço Latente
Amostre novos dados a partir de uma distribuição aprendida
Autoencoders Variacionais e o Espaço Latente é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 3 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
Beyond Plain Codes
A variational autoencoder, or VAE, does not store one fixed code per input. Instead it learns a smooth, organized latent space you can actually sample from.
Encode to a Distribution
The VAE encoder outputs a mean and a variance instead of a single point. Each input becomes a little cloud of likely latent codes.
mu, logvar = encoder(x)Sample From the Cloud
To get a code, you sample from that cloud using its mean and variance. Sampling adds the randomness that makes the space generative.
The Reparameterization Trick
Random sampling blocks gradients, so the reparameterization trick moves the randomness aside. Now you can still backpropagate through the sample.
std = torch.exp(0.5 * logvar)
z = mu + std * torch.randn_like(std)Two Losses, Not One
A VAE balances two goals: reconstruction loss for accurate rebuilds, plus a term that shapes the latent space. They pull against each other.
The KL Divergence Term
The second loss is the KL divergence. It nudges each cloud toward a standard normal, keeping the latent space tidy and continuous.
kl = -0.5 * torch.sum(1 + logvar - mu**2 - logvar.exp())A Smooth Latent Space
Thanks to the KL term, nearby codes decode to similar outputs. This smoothness means you can walk between points and get sensible results. ✨
Generate Brand-New Data
Because the space is organized, you can sample new codes from a normal distribution and decode them into fresh, never-seen samples.
z = torch.randn(1, latent_dim)
new_sample = decoder(z)Interpolate Between Inputs
Blend two latent codes and decode the mix to morph one input into another. This smooth interpolation is a signature VAE trick.
z = 0.5 * z_a + 0.5 * z_bVAE vs Plain Autoencoder
A plain autoencoder compresses; a VAE compresses and becomes generative. The extra KL term is what unlocks sampling new data.
Tune the Balance
Weighting the KL term, often called beta, controls the tradeoff. Higher beta gives a cleaner space but slightly blurrier reconstructions.
Quick Check
What gives a VAE its generative power?
Recap
A VAE encodes inputs as distributions, samples with the reparameterization trick, and adds a KL term for a smooth space you can sample and interpolate. 🎉
Perguntas Frequentes
A aula “Autoencoders Variacionais e o Espaço Latente” é grátis?
Sim — o texto completo de “Autoencoders Variacionais e o Espaço Latente” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “Autoencoders Variacionais e o Espaço Latente”?
Amostre novos dados a partir de uma distribuição aprendida Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 3 de 4.
Quanto tempo leva a aula “Autoencoders Variacionais e o Espaço Latente”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Codificador, Gargalo e Decodificador
- Autoencoders de Remoção de Ruído
- Autoencoders Variacionais e o Espaço Latente
- Detecção de Anomalias por Erro de Reconstrução