Lil'Log（Lilian Weng 个人博客） · Lilian Weng
From Autoencoder to Beta-VAE
From Autoencoder to Beta-VAE是Lil'Log（Lilian Weng 个人博客）的免费文章（en）。前置条件：需要神经网络基础（激活函数、反向传播、过拟合）与概率基础（贝叶斯、KL 散度）。
读懂自编码器家族与变分自编码器的数学原理及其变体设计动机。
Lil'Log
- 难度
- 见前置条件
- 类型
- 博客 · 文章
- 语言
- en
- 规模
- 12 个课节
- 内容费用
- 免费
- 动手
- 打开即可学习
使用限制
公开网页，浏览器直接阅读，无需账号。
- 练习与作业
- 开课提示词尚未实际运行验证
学完你能
- 说明自编码器的编码器—解码器结构与 MSE 重构损失，并解释瓶颈层与降维的关系
- 说明去噪自编码器如何通过加噪训练提升鲁棒性，并写出其损失形式
- 说明稀疏自编码器用 KL 散度惩罚隐藏层激活稀疏性的做法
- 写出 VAE 的证据下界 ELBO，并解释重参数化技巧为什么能用于反传
- 说明 Beta-VAE 中 β 超参数对解耦表征的影响
适合你吗
适合
适合想系统理解生成模型基础、能读数学推导的深度学习学习者，尤其是对 VAE 系列感兴趣的人。
暂不适合
不适合想直接获得可运行代码或框架实操的读者：全文以公式与概念讲解为主，节选未见配套代码。
需要先会
需要神经网络基础（激活函数、反向传播、过拟合）与概率基础（贝叶斯、KL 散度）。
课程特点
- 内容侧重
- 侧重理论理解
- 练习与项目
- 文章以推导为主，节选未见代码练习；网页未提供代码。
- 学习时长
- 12 个课节原站未给出统一学习时长；实际用时取决于已有基础。
- 内容费用
- 免费页面可直接读到正文与数学推导，未见付费墙或登录提示。
常见问题
免费吗？
免费：页面可直接读到正文与数学推导，未见付费墙或登录提示。实践无额外费用：纯阅读型文章，网页未要求任何付费云服务、API 或 GPU。
需要什么基础？
需要神经网络基础（激活函数、反向传播、过拟合）与概率基础（贝叶斯、KL 散度）。软件、账号与硬件：无特殊账号或软件要求，浏览器阅读即可。
有中文吗？
本站记录的语言是en；是否有中文字幕或译本本站未核实，请以原站为准。
怎么开始？
从原始资源入口开始：https://lilianweng.github.io/posts/2018-08-12-vae/。打开原文即可，无需安装软件。开课提示词尚未完整验证。练习与作业需要自备：开课提示词尚未实际运行验证。
来源与使用须知
- 收录时间
- 本站首次收录 2026-10-24
- 指南参考
- 课程主页
版权与转载
- 课程材料未标明许可：仅供个人学习，转载、修改或商用前请先联系原作者。
- 本站只提供原始链接和学习指南，不转载、不镜像课程材料；引用时请注明原作者与出处。