从隐空间理解编码器(Encoder)-厦门雄霸

从隐空间理解编码器(Encoder)

行业动态 | 2023-06-25 10:04:59 | 作者

当我们在阅读关于AIGC 的文章时，常常会看到Encoder和Decoder名词。它们是AI( 即ML) 的核心模型，如果能深入理解它们的涵意和功能，就能更流畅地理解相关文章的内容，以及图示。

说明诸如Stable Diff usion 里，就含有文本编码器(text encoder)、图像编码器(img decoder)、以及解码器(decoder)。这些都是AI 里的基本名词，处处可见。再如，关于DeepFake( 换脸) 的文章里，也常看到这两个名词。

这图里就说明了，一般的DeepFake 模型里常含有一个图像编码器(Eecoder)、以及两个图像解码器( 即Decoder_A 和Decoder_B)。

诸如上述图片，其中的”Encoder”、”Decoder 名词是处处常见的。所以把它弄清楚是有必要的。于是，本文就先来解说第1 个名词：编码器(Encoder)。当您深入理解编码器了，就能轻易继续理解第2 个名词：解码器(Decoder)。

2 从欧式空间出发

为了充分掌握它，就必需从欧式(Euclidean) 空间来入手。所谓空间就是大家熟悉的坐标空间(Coordinate space)。例如，一维空间就是数线( 图3)。

这图里有两个一维空间。人们随着阅历增多，逐渐学习，就会连连看，把两个空间对映起来( 图4)。

人们把它记忆于脑海里。看到池塘里有黑色家禽，就会联想的< 鸭>。看到池塘里有白色家禽，可能就会联想的< 鹅> 或< 鸡>。接下来，请您先思考：AI 如何学会上述的连连看呢? 也就是，人们如何当老师，把上述的连连看智能，传授( 教导) 给AI 模型，让它也能记忆上述的连连看关系。

其实，它是依赖一个简单的数学公式：Y=X*W+B。有时候会再添加激活函数，如：Z = Sigmoid(Y)。于是，拿来X = 0，放入公式计算出Y=4.6 的值( 图5)。

AI 就依赖这些参数( 即W 和B 值) 来记忆这项连连看的智慧。于是，再拿来X = 255，放入公式计算出Y = 0.5 的值。

当AI 计算出Y=4.6，很接近于4，就连结到< 鸭> 了，也就凭过去的学习经验和智慧，拿起画笔画出一只黑色鸭了。同样地，AI 计算出Y = 0.5，很接近于0，就连结到< 鸡> 了，也就凭过去的学习经验和智慧，拿起画笔画出一只白色鸡了。这就是AI 绘图创作的源点。

在上述的例子里，白色灰阶值为0，只有1 个特征值(Feature)，可以是使用1 维空间表示。同理，当x = [255,100] 时，它即是2 维欧式空间里的一个点。

依此类推，当x = [255, 255, 255] 时，它即是3 维欧式空间里的一个点。在AI 里，就拿欧式空间来表达宇宙中的一切事物或现象。例如，拿欧式空间来表达RGB色彩，就成为大家熟知的RGB 色彩空间( 图7)。

3 范例演练

此范例里，包含4 张图像，各章都由4 个像素(Pixel)所组成( 图8)。

请您练习想想看，在AI 里如何使用欧式空间来表达这4 件事物( 即4 张图) 呢? 答案是：每一张图像有4*3 = 12 个值( 即12 个特征)，每一个特征值各在一维度轴上。于是，上述每一张图在12 维欧式空间里，就是一个点。以此类推，这是1 张512 x512 的JPG 图像( 图9)。

请您练习想想看，在AI 里如何使用欧式空间来表达这张图像呢? 答案是：每一张图像有512*512*3 个值( 即特征)，每一个特征值各在一维度轴上。于是，上述这张图在512*512*3维欧式空间里，就是1 个点。

基于上述的基础，接下来，就可来理解一个常见的名词：Embedded 及Embedding 。刚才提到，在这12 维空间里，存放( 记载) 这4张图( 只含4 个点)。似乎有些浪费空间，计算也常比较费时。那么，我们能否把它降维呢？例如，利用5 维空间的4 个点来代表这4 张图，会更省空间。

答案是：可以的。但是，请想一想：5 维空间的每一个点只能含有5 个值( 特征)，而上述每一张图有12 个值，该怎么办呢？这个降维过程，就称为：嵌入(Embedding )。即是：高维空间里的点，对应到低维空间里的点。于是，可将两个不同的高维空间里的点，嵌入到同一个低维( 如3 维) 空间里( 图10)。

这表达了，仙剑奇侠传里的“赵灵儿”喜欢“图像-B”，而“李逍遥”喜欢“图像-A”。负责嵌入的模型叫：编码器(Encoder)。

人们想象可观察空间里事物，然后由Encoder 来进行编码，即嵌入到隐空间里，而AI 则对隐空间里的嵌入数据( 通称为：Embedding code) 进行操作，来组合、生成创新的东西( 仍在隐空间里)，然后交给Decoder来还原出可观察空间的事物( 如新图像、或新文句等)。例如，更多创新组合( 图11)。