> ## Documentation Index > Fetch the complete documentation index at: https://novita.ai/docs/llms.txt > Use this file to discover all available pages before exploring further. # Wat is de Variational Autoencoder VAE? ### Introductie tot Autoencoders Autoencoders zijn een klasse neurale netwerken die voornamelijk worden gebruikt voor unsupervised learning en dimensionaliteitsreductie. Het fundamentele idee achter autoencoders is om invoergegevens te coderen naar een lager-dimensionale representatie en deze vervolgens terug te decoderen naar de oorspronkelijke gegevens, met als doel de reconstructiefout te minimaliseren. De basisarchitectuur van een autoencoder bestaat uit twee hoofdcomponenten: de encoder en de decoder. * **Encoder**: De encoder is verantwoordelijk voor het transformeren van de invoergegevens naar een gecomprimeerde of latente representatie. Deze bestaat doorgaans uit een of meer lagen neuronen die de dimensies van de invoer geleidelijk verkleinen. * **Decoder**: De decoder daarentegen neemt de gecomprimeerde representatie die door de encoder is geproduceerd en probeert de oorspronkelijke invoergegevens te reconstrueren. Net als de encoder bestaat deze vaak uit een of meer lagen, maar in omgekeerde volgorde, waarbij de dimensies geleidelijk worden vergroot. ### Overzicht van Variational Autoencoders (VAE's) Variational Autoencoders (VAE's) pakken enkele beperkingen van traditionele autoencoders aan door een probabilistische benadering van coderen en decoderen te introduceren. De motivatie achter VAE's ligt in hun vermogen om nieuwe gegevenssamples te genereren door te samplen uit een geleerde distributie in de latente ruimte, in plaats van uit een vaste latente vector zoals het geval was bij vanilla autoencoders. Dit maakt ze geschikt voor generatieve taken. * **Probabilistische aard**: In tegenstelling tot deterministische autoencoders modelleren VAE's de latente ruimte als een kansverdeling. Dit levert een kansverdelingsfunctie op over de invoercoderingen in plaats van slechts één enkele vaste vector, waardoor een genuanceerdere representatie van onzekerheid in de gegevens mogelijk wordt. De decoder samplet vervolgens uit deze kansverdeling. * **Rol van de latente ruimte**: De latente ruimte in VAE's dient als een continue, gestructureerde representatie van de invoergegevens. Omdat deze per ontwerp continu is, maakt dit eenvoudige interpolatie mogelijk. Elk punt in de latente ruimte komt overeen met een potentiële uitvoer, waardoor vloeiende overgangen tussen verschillende gegevenspunten mogelijk zijn en wordt gewaarborgd dat punten die dichter bij elkaar liggen in de latente ruimte tot vergelijkbare generaties leiden. Het concept kan worden verduidelijkt aan de hand van een eenvoudig voorbeeld, zoals hieronder weergegeven. Encoders binnen een neuraal netwerk hebben als taak een representatie van invoerafbeeldingen te verkrijgen in de vorm van een vector. Deze vector omvat verschillende kenmerken, zoals de glimlach van een persoon, haarkleur, gender, leeftijd, enz., aangeduid als een vector vergelijkbaar met \[0.4, 0.03, 0.032, …]. In deze illustratie wordt de focus beperkt tot één enkele latente representatie, namelijk het attribuut "glimlach". Autoencoders versus VAE's - Sciforce MediumIn de context van Vanilla Autoencoders (AE) wordt de glimlach-feature vastgelegd als een vaste, deterministische waarde. Variational Autoencoders (VAE's) daarentegen zijn bewust ontworpen om deze feature vast te leggen als een probabilistische distributie. Deze ontwerpkeuze vergemakkelijkt de introductie van variabiliteit in gegenereerde afbeeldingen door het mogelijk te maken waarden te samplen uit de gespecificeerde kansverdeling. Samenvattend gaan VAE's verder dan louter gegevensreconstructie; ze genereren nieuwe samples en bieden een probabilistisch raamwerk om latente representaties te begrijpen. De opname van probabilistische elementen in de architectuur van het model onderscheidt VAE's van traditionele autoencoders. Vergeleken met traditionele autoencoders bieden VAE's een rijker begrip van de gegevensdistributie, waardoor ze bijzonder krachtig zijn voor generatieve taken.