关于Keras变分自编码器获取瓶颈层Z变量的技术咨询

没错，训练完成后你确实需要用训练好的编码器对输入数据进行编码，才能得到送入解码器的瓶颈层数据（也就是你代码里的z变量）。结合你的代码细节，具体说明如下：

1. 直接用训练好的encoder生成z #

你的encoder模型定义的输出是[z_mean, z_log_var, z]，其中第三个输出就是通过重参数化技巧得到的采样隐向量——这正是解码器的输入。训练完成后，只需要给encoder传入你的输入数据，就能得到对应的z：

# 拿测试集数据举例，x_test是你的输入样本
z_mean, z_log_var, z = encoder.predict(x_test)

得到z之后，就可以直接送入decoder生成重构结果：

reconstructed_images = decoder.predict(z)

2. 可选：用z_mean代替z（更稳定的解码） #

如果你不需要解码时的随机性，也可以直接使用z_mean作为解码器的输入。因为z是从以z_mean为均值、由z_log_var推导的方差的正态分布中采样得到的，用z_mean解码会得到分布均值对应的输出，结果更稳定：

reconstructed_images = decoder.predict(z_mean)

3. 对应你代码中的逻辑 #

你的VAE训练时，是通过encoder(inputs)[2]获取z再传入解码器的，这和训练后用encoder.predict获取z的逻辑完全一致——区别只是训练时是在计算图内完成前向传播，而预测时是对外部输入数据进行编码生成隐向量。

内容的提问来源于stack exchange，提问作者Domen Preložnik