Générer des données avec un Variational AutoEncoder (VAE)

Pour générer de nouvelles données avec un Variational AutoEncoder (VAE), nous utilisons la partie décodeur du modèle. Voici comment vous pouvez le faire :

Étapes pour générer de nouvelles données avec un décodeur

Echantillonnage à partir de l’espace latent :

Pour générer de nouvelles données, nous échantillonnons des points de l’espace latent. Ces points doivent être échantillonnés à partir d’une distribution normale standard $( \mathcal{N}(0, I) )$ , car le VAE est conçu pour encoder les données dans cet espace latent gaussien.
Passer les échantillons dans le décodeur :

Après avoir généré les points latents, nous les passons dans le décodeur du VAE, qui les transforme en images ou autres types de données.

Exemple de code pour générer des données avec le décodeur

1. Construire et entraîner le VAE (avec encodeur et décodeur)

Supposons que nous avons déjà un VAE entraîné et que le modèle est séparé en deux parties : un encodeur et un décodeur.

Voici un résumé de la structure :

Encodeur : Il mappe les données d’entrée à un espace latent de distribution gaussienne (paramètres $( \mu )$ et $( \sigma )).$
Décodeur : Il prend un vecteur latent $( z )$ échantillonné et le convertit en une donnée reconstruite.

# Exemple de décodeur simple
latent_dim = 2  # Dimension de l'espace latent (peut varier selon le modèle)

decoder = tf.keras.Sequential([
    tf.keras.layers.InputLayer(input_shape=(latent_dim,)),
    tf.keras.layers.Dense(units=128, activation='relu'),
    tf.keras.layers.Dense(units=784, activation='sigmoid')  # 28x28 pixels, aplatis en un vecteur 784
])

# Reshape les données pour former une image de 28x28 pixels
output = tf.keras.layers.Reshape(target_shape=(28, 28))(decoder.output)

decoder_model = tf.keras.Model(decoder.input, output)

2. Générer de nouvelles données

Pour générer de nouvelles données, nous devons :

Échantillonner un point dans l’espace latent.
Passer ce point à travers le décodeur pour générer une nouvelle image.

import numpy as np

# Nombre de nouvelles données à générer
n_samples = 10

# Échantillonner des points aléatoires à partir d'une distribution gaussienne standard
latent_samples = np.random.normal(size=(n_samples, latent_dim))

# Passer les points latents à travers le décodeur pour générer de nouvelles données
generated_data = decoder_model.predict(latent_samples)

# Afficher les images générées
import matplotlib.pyplot as plt

for i in range(n_samples):
    plt.subplot(1, n_samples, i+1)
    plt.imshow(generated_data[i], cmap='gray')
    plt.axis('off')

plt.show()

Explication du code :

Échantillonage latent : Nous utilisons np.random.normal pour générer des échantillons de l’espace latent. Dans cet exemple, l’espace latent a une dimension de latent_dim = 2, mais cela peut varier.
Génération de données : Les vecteurs latents sont passés à travers le décodeur pour produire des images. Le décodeur reconstruit ces images à partir des vecteurs latents.
Affichage : Les images générées sont affichées à l’aide de Matplotlib.

Points importants :

Le décodeur apprend à reconstruire les données à partir de points de l’espace latent. Les points générés sont proches de l’information réelle si le VAE a été bien entraîné.
Si la dimension de l’espace latent est faible (comme dans cet exemple avec 2 dimensions), il est facile de visualiser et d’explorer cet espace.

En résumé, le décodeur du VAE permet de générer de nouvelles données en échantillonnant des points dans l’espace latent gaussien et en les passant dans le décodeur.