我们正在TF 2.0中实现标题为“ [Variational Autoencoders for Collaborative Filtering”的论文。[TF]中给出了上述论文在TF 1.0中的示例实现。
本文提出了一种用于协作过滤的变分自动编码器的实现。作为编码器的输出,它在训练网络时使用重新参数化技巧
对潜矢量Z进行采样。重新参数化技巧
对ϵ〜N(0,IK)进行采样,并将潜在向量Z重新参数化为:Zu = µϕ(xu)+ ⊙σϕ(xu)其中,μϕ和σϕ是根据编码器的输出计算得出的。但是,在预测时,论文建议仅使用µϕ
进行采样[[Z。在我们的实现中,我们使用了自定义tf.keras.layers.Layer
来采样潜矢量Z。以下是该体系结构的代码:here现在,我正在寻找一种在预测时更改自定义的实现的方法,以仅使用µϕ(Z_mu)进行采样Z,从而实现上述论文提出了什么。或者如果在Tf 2.0中还有另一种方法,请推荐。重新参数化层
我们正在TF 2.0中执行标题为“用于协同过滤的可变自动编码器”的论文。此处给出了TF 1.0中上述论文的示例实现。本文提出了一个...