什么是零充气层，以及如何在Pytorch上实现它

Question

我正在构建一个用于降低单细胞RNA-seq数据的变量自动编码器。我设法用传统的自动编码器绘制清晰的簇，但我的VAE无法正常工作。损失减少，但在5左右停止。

我相信问题是我尚未实施Zi-Layer。原因是我什至不了解它的目的，而且数学感觉非常不直觉。

vasc是一种深层的变异自动编码器，可以捕获非线性变化，并自动学习输入数据的层次结构表示。它的目的之一是简化SCRNA-Seq数据集的可视化。VASC有三个主要部分称为：(1(编码器网络，(2(解码器网络和(3(零泄漏的层。VASC的发明者在这里解释了这一点

1. Zi-Layer背后的解释是什么？

2. 如何在解码器组件之后实现它？

class VAE(nn.Module):
    def __init__(self):
        super(VAE, self).__init__()
        self.n_components = 6
        self.fc0 = nn.Dropout(p=0.5)
        # For probabilistic encoder
        self.fc1 = nn.Linear(13714, 128)
        self.fc2 = nn.Linear(128, 32)
        self.fc3 = nn.Linear(32, 16)
        self.fc41 = nn.Linear(16, self.n_components) 
        self.fc42 = nn.Linear(16, self.n_components) 
        # For probabilistic decoder
        self.fc5 = nn.Linear(self.n_components, 16)
        self.fc6 = nn.Linear(16, 32)
        self.fc7 = nn.Linear(32, 128)
        self.fc8 = nn.Linear(128, 13714)
    def encode(self, x):
        h0 = self.fc0(x) #dropout
        h1 = self.fc1(h0)
        h2 = F.relu(self.fc2(h1))
        h3 = F.relu(self.fc3(h2))
        return self.fc41(h3), F.softplus(self.fc42(h3))
    def reparameterize(self, mu, logvar):
        std = torch.exp(0.5*logvar)
        eps = torch.randn_like(std)
        return mu + eps*std
    def decode(self, z):
        h5 = F.relu(self.fc5(z))
        h6 = F.relu(self.fc6(h5))
        h7 = F.relu(self.fc7(h6))
        h8 = torch.sigmoid(self.fc8(h7)) #output layer
        return h8
    def forward(self, x):
        mu, logvar = self.encode(x.view(-1, 13714))
        z = self.reparameterize(mu, logvar)
        return self.decode(z), mu, logvar

model = VAE().to(device)
optimizer = optim.RMSprop(model.parameters(), lr=0.001)
def loss_function(recon_x, x, mu, logvar):
    BCE = F.binary_cross_entropy(recon_x, x.view(-1, 13714), reduction="mean")
    KLD = -0.5 * torch.sum(1 + logvar - mu.pow(2) - logvar.exp())
    return BCE + 0.1*KLD, BCE, KLD

log_interval = 32
for epoch in range(80):
    #model.train()
    running_loss = 0
    for batch_idx, (data, _) in enumerate(train_loader):
        data = data.to(device)
        optimizer.zero_grad()
        recon_batch, mu, logvar = model(data.float())
        loss, bce, kld = loss_function(recon_batch, data.float(), mu, logvar)
        loss.backward()
        running_loss += loss.item()
        optimizer.step()
        if batch_idx % log_interval == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]tLoss: {:.6f}tBCE: {:.6f}tKLD: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                100. * batch_idx / len(train_loader),
                loss.item(), bce.item(), kld.item()))
    print('====> Epoch: {} Loss: {:.4f}'.format(
          epoch, running_loss))

正如我所说，潜在空间什么都没学。我相信问题是缺乏Zi-Layer。如果没有，请帮助我发现问题，谢谢。

Answer 1

我还没有完全阅读您的问题，但是，零泄漏的分布是分布，对于某种概率(例如q(返回0，对于概率1-q返回了您想要的分布中的样本。例如，零充气的负二项式是一个负二项式分布，通过从中取样，概率Q可以使零获得零，而从负二项式分布中采样的数字为您提供了概率1-q。我认为您可以使用pyro.distributions.zero_inflated。