5 种生成模型（VAE、GAN、AR、Flow 和 Diffusion）对比与代码实现

深度生成模型概述

深度生成模型是一类强大的机器学习工具，它可以从输入数据学习其潜在的分布，进而生成与训练数据相似的新的样本数据，它在计算机视觉、密度估计、自然语言和语音识别等领域得到成功应用，并为无监督学习提供了良好的范式。

本文汇总了常用的深度学习模型，深入介绍其原理及应用：VAE（变分自编码器）、GAN（生成对抗网络）、AR（自回归模型 如 Transformer）、Flow（流模型）和 Diffusion（扩散模型）

模型	核心目标	原理	优点	缺点	应用场景
VAE	学习潜在空间分布，编码器 - 解码器生成与训练数据相似的样本	基于变分推断，将输入数据映射到潜在空间的正态分布，解码器重构数据，优化重构误差与 KL 散度	训练稳定，支持潜在空间插值；生成样本多样化	生成图像模糊；KL 散度约束可能导致信息丢失	数据填充、特征提取、图像修复
GAN	通过生成器与判别器的对抗训练，生成与真实数据难分的样本	生成器从噪声生成假数据，判别器区分真假；两者通过零和博弈优化，最终达到纳什均衡	生成图像细节丰富；单步推理速度快	训练不稳定；生成多样性不足；需精细调参	艺术创作、风格迁移、图像超分辨率
AR	自回归地生成序列数据，逐个预测下一个元素的概率分布	基于条件概率分解（如 Transformer），自注意力机制捕捉长程依赖，逐像素/逐 token 生成数据	建模能力强，支持长序列生成；训练稳定	生成速度慢 (逐步采样)；高维数据计算成本高	文本生成、时序预测、图像生成
Flow	可逆变换将简单分布转为复杂数据分布，实现精确概率密度估计	设计可逆神经网络层，利用变量变换公式计算数据对数似然，优化雅可比行列式。	支持精确密度估计；生成与重建可逆	高维数据下变换设计复杂；计算雅可比行列式开销大	语音合成、密度估计、图像生成
Diffusion	通过逐步去噪过程从高斯噪声重建数据分布，生成高质量样本	正向扩散（逐步加噪）与逆向扩散（学习去噪）结合，基于马尔可夫链建模条件概率	生成质量最高；训练稳定	推理速度慢；显存占用高	高清图像生成、多模态/视频生成

1 变分自编码器（VAE）

1.1 概念

VAE 是在自编码器（Auto-Encoder）的基础上，结合变分推断（Variational Inference）和贝叶斯理论提出的一种深度生成模型。VAE 的目标是学习一个能够生成与训练数据相似样本的模型。它假设隐变量服从某种先验分布（如标准正态分布），并通过编码器将输入数据映射到隐变量的后验分布，再通过解码器将隐变量还原成生成样本。

1.2 训练损失

VAE 的训练损失函数包括重构损失（如均方误差）和 KL 散度（衡量潜在分布与标准正态分布的差异）

损失函数：

• 重构项：衡量解码器重建输入数据的能力（如均方误差或交叉熵）
• KL 散度项：约束潜在分布 q(z|x) 与先验分布 p(z)（通常为标准正态分布）的相似性，平衡参数为 β（如 β-VAE）

优化目标：最大化证据下界（ELBO），同时保证潜在空间的结构化和连续性

1.3 VAE 的实现

import torch
import torch.nn as nn
import torch.nn.functional as F

class VAE(nn.Module):
    def __init__(self, input_dim=784, hidden_dim=400, latent_dim=20):
        super(VAE, self).__init__()
        # 编码器：输入 → 隐藏层 → 均值和方差
        self.encoder = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, latent_dim * 2) # 输出均值和对数方差
        )
        # 解码器：潜在变量 → 隐藏层 → 重构输入
        self.decoder = nn.Sequential(
            nn.Linear(latent_dim, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim),
            nn.Sigmoid() # 输出像素值在 [0,1] 区间
        )

    def reparameterize(self, mu, log_var):
        """重参数化技巧：从 N(μ, σ²) 采样潜在变量 z"""
        std = torch.exp(0.5 * log_var) # 计算标准差
        eps = torch.randn_like(std) # 生成随机噪声
        return mu + eps * std # 返回采样结果

    def forward(self, x):
        # 编码：x → μ和 logσ²
        h = self.encoder(x)
        mu, log_var = torch.chunk(h, 2, dim=1) # 分割为均值和方差
        # 采样潜在变量 z
        z = self.reparameterize(mu, log_var)
        # 解码：z → 重构 x
        x_recon = self.decoder(z)
        return x_recon, mu, log_var

    # 损失函数：重构损失 + KL 散度
    def loss_function(x_recon, x, mu, log_var):
        recon_loss = F.binary_cross_entropy(x_recon, x, reduction='sum') # 重构损失（交叉熵）
        kl_div = -0.5 * torch.sum(1 + log_var - mu.pow(2) - log_var.exp()) # KL 散度
        return recon_loss + kl_div

2 生成对抗网络（GAN）

2.1 概念

GAN 由两部分组成：**生成器（Generator）**和 判别器（Discriminator）

• 生成器的任务是生成尽可能接近真实数据的假数据
• 判别器的任务是区分输入数据是真实数据还是生成器生成的假数据
• 二者通过相互竞争与对抗，共同进化，最终生成器能够生成非常接近真实数据的样本

训练过程：

1. 判别器接受真实数据和生成器生成的假数据，进行二分类训练，优化其判断真实或生成数据的能力
2. 生成器根据判别器的反馈，尝试生成更加真实的假数据以欺骗判别器
3. 交替训练判别器和生成器，直到判别器无法区分真实和生成数据，或达到预设的训练轮数

2.2 训练损失

a. 判别器的损失函数

• 判别器的目标是最大化正确判断的概率：
  • 真实样本：输出 1（正确识别为真）。
  • 生成样本：输出 0（正确识别为假）。
• 数学表达：

• 直观解释：判别器的损失是两部分交叉熵的总和：
  1. 对真实样本判断错误的惩罚（希望 log D (x) 尽可能大，所以取负号）。
  2. 对生成样本判断错误的惩罚（希望 log (1-D (G (z))) 尽可能大，同样取负号）。

b. 生成器的损失函数

• 生成器的目标是让判别器误判生成样本为真：
  • 生成样本：让判别器输出 1（即让 D (G (z)) 趋近于 1）。
• 数学表达：

• 直观解释：生成器的损失是判别器误判生成样本的惩罚（希望 log D (G (z)) 尽可能大，所以取负号）。

c. 对抗训练的动态过程

1. 第一轮训练：
   • 生成器随机生成低质量样本（如模糊的人脸）。
   • 判别器轻松识别真伪，损失很低（因为正确判断了大部分样本）。
   • 生成器的损失很高（因为判别器几乎都识别为假）。
2. 第二轮训练：
   • 生成器改进造假技术（如生成更清晰的人脸）。
   • 判别器被'迷惑'，损失上升（因为部分生成样本被误判为真）。
   • 生成器的损失下降（因为判别器误判增多）。
3. 最终平衡：
   • 生成器能生成足以以假乱真的样本。
   • 判别器无法准确区分真伪，损失趋近于理论下限（交叉熵为 log (0.5)）。

2.3 GAN 的实现

class Generator(nn.Module):
    """生成器：从噪声生成图像"""
    def __init__(self, noise_dim=100, output_dim=784):
        super(Generator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(noise_dim, 256),
            nn.ReLU(),
            nn.Linear(256, 512),
            nn.ReLU(),
            nn.Linear(512, output_dim),
            nn.Tanh() # 输出范围 [-1,1]，需在数据预处理时归一化
        )
    def forward(self, z):
        return self.model(z).view(-1, 1, 28, 28) # 输出形状为 (B, 1, 28, 28)

class Discriminator(nn.Module):
    """判别器：区分真实图像与生成图像"""
    def __init__(self, input_dim=784):
        super(Discriminator, self).__init__()
        self.model = nn.Sequential(
            nn.Linear(input_dim, 512),
            nn.LeakyReLU(0.2),
            nn.Linear(512, 256),
            nn.LeakyReLU(0.2),
            nn.Linear(256, 1),
            nn.Sigmoid() # 输出概率值
        )
    def forward(self, x):
        x = x.view(-1, 784) # 展平输入
        return self.model(x)

# 训练循环示例（简化版）
def train_gan():
    G = Generator()
    D = Discriminator()
    criterion = nn.BCELoss() # 交替优化生成器和判别器
    for real_images, _ in dataloader:
        # 训练判别器
        real_labels = torch.ones(real_images.size(0), 1)
        fake_labels = torch.zeros(real_images.size(0), 1)
        # 判别器对真实图像的损失
        real_loss = criterion(D(real_images), real_labels)
        # 生成假图像并计算判别器损失
        z = torch.randn(real_images.size(0), 100)
        fake_images = G(z)
        fake_loss = criterion(D(fake_images.detach()), fake_labels)
        d_loss = real_loss + fake_loss
        # 反向传播更新判别器
        d_loss.backward()
        optimizer_D.step()
        # 训练生成器
        g_loss = criterion(D(fake_images), real_labels) # 欺骗判别器
        g_loss.backward()
        optimizer_G.step()

3 自回归模型（AR）

3.1 概念

算法原理：自回归模型是一种基于序列数据的生成模型，它通过预测序列中下一个元素的值来生成数据。给定一个序列 (x_1, x_2, ..., x_n)，自回归模型试图学习条件概率分布 P(x_t | x_{t-1}, ..., x_1)，其中 t 表示序列的当前位置。AR 模型可以通过**循环神经网络（RNN）**或 Transformer 等结构实现。

如下以 Transformer 为例解析。

在深度学习的早期阶段，卷积神经网络（CNN）在图像识别和自然语言处理领域取得了显著的成功。然而，随着任务复杂度的增加，序列到序列（Seq2Seq）模型和循环神经网络（RNN）成为处理序列数据的常用方法。尽管 RNN 及其变体在某些任务上表现良好，但它们在处理长序列时容易遇到梯度消失和模型退化问题。为了解决这些问题，Transformer 模型被提出。而后的GPT、Bert等大模型都是基于 Transformer 实现了卓越的性能！

3.2 训练过程

a. 核心思想：用历史预测未来

自回归模型的核心是根据过去的输出预测未来的输出。例如：

• 语言模型：根据'今天天气'预测下一个词'很'或'热'。
• 时间序列预测：根据过去 10 天的股价预测第 11 天的股价。

Transformer 作为自回归模型：它通过注意力机制捕捉序列中每个位置与之前所有位置的依赖关系，最终输出每个位置的预测概率分布。

b. Transformer 的损失计算：交叉熵监督预测

• 输入与输出的关系
  • 输入序列：例如句子'我喜欢'。
  • 目标序列：将输入右移一位，得到'喜欢天'（假设任务是补全句子）。
  • 模型目标：对每个位置，预测下一个词的概率分布。
• 损失函数的数学表达

• 直观解释：交叉熵损失衡量模型预测的概率分布与真实标签的差异。例如：若真实词是'天'，而模型预测'天'的概率为 0.8，则贡献的损失是 -log(0.8) ≈ 0.223。

c. 损失计算的具体步骤

• (1) 嵌入与位置编码
  • 将输入词（如'我''喜''欢'）转换为向量，并添加位置信息。
• (2) 因果掩码（Causal Masking）
  • 在自注意力计算时，屏蔽未来信息。例如：预测'欢'时，只能看到'我'和'喜'，看不到'天'。
• (3) 多头注意力与前馈网络
  • 通过注意力机制整合历史信息，生成每个位置的预测向量。
• (4) 输出层与概率分布
  • 将预测向量映射到词表的概率分布（如 10000 个词的 softmax 输出）。
• (5) 计算损失
  • 对比每个位置的预测概率与真实词的 one-hot 编码，累加交叉熵。

3.2 代码实现（Transformer-AR）

class TransformerAR(nn.Module):
    """基于 Transformer 的自回归图像生成模型（Pixel Transformer）"""
    def __init__(self, vocab_size=256, embed_dim=128, num_heads=4, num_layers=3):
        super(TransformerAR, self).__init__()
        # 输入：图像展平为序列（如 28x28 → 784 像素）
        self.embedding = nn.Embedding(vocab_size, embed_dim)
        self.positional_enc = nn.Parameter(torch.randn(784, embed_dim)) # 位置编码
        # Transformer 编码器（仅解码模式）
        encoder_layer = nn.TransformerEncoderLayer(
            d_model=embed_dim,
            nhead=num_heads,
            dim_feedforward=512
        )
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers)
        # 输出层：预测每个像素的概率分布
        self.fc = nn.Linear(embed_dim, vocab_size)

    def forward(self, x):
        # x 形状：(B, seq_len) 每个位置是像素值（0-255）
        x = self.embedding(x) + self.positional_enc # 嵌入 + 位置编码
        # 自注意力掩码（防止看到未来信息）
        mask = torch.triu(torch.ones(784, 784), diagonal=1).bool()
        # Transformer 处理
        out = self.transformer(x, mask=mask)
        # 预测每个像素的分布
        logits = self.fc(out)
        return logits

    # 生成示例（逐像素生成）
    def generate(self, start_token, max_len=784):
        generated = start_token
        for _ in range(max_len):
            logits = self(generated)
            next_pixel = torch.multinomial(F.softmax(logits[:, -1, :], dim=-1), 1)
            generated = torch.cat([generated, next_pixel], dim=1)
        return generated

4 流模型（Flow）

4.1 概念

算法原理：流模型是一种基于可逆变换的深度生成模型。它通过一系列可逆的变换，将简单分布（如均匀分布或正态分布）转换为复杂的数据分布。

核心思想：用'可逆魔法'转换分布 流模型就像一个'数据变形大师'，它的核心是可逆变换。想象你有一团标准形状的橡皮泥（简单分布，如正态分布），通过一系列可逆向操作的手法（比如拉伸、折叠，但随时能恢复原状），把它捏成跟真实数据（如图像、语音）分布一样复杂的形状。这种'既能变形，又能变回去'的特性，就是流模型的关键 —— 通过可逆函数，让简单分布'流动'成复杂数据分布。

**生成过程类比：**假设真实数据是'猫咪图片'的分布，流模型先从简单的正态分布中采样一个向量 z（像随机选一块标准形状的橡皮泥），然后通过生成器 G 的一系列可逆变换（比如调整颜色、轮廓等操作），把 z 变成一张猫咪图片 x。因为变换可逆，未来也能通过反向操作，从猫咪图片还原出最初的 z。

4.2 训练过程

这里直接放图中损失函数的解读

4.2 代码实现（Flow）

class FlowModel(nn.Module):
    """基于 RealNVP 的可逆流模型"""
    def __init__(self, input_dim=784, hidden_dim=512):
        super(FlowModel, self).__init__()
        # 定义可逆变换的参数网络
        self.scale_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )
        self.shift_net = nn.Sequential(
            nn.Linear(input_dim//2, hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, input_dim//2)
        )

    def forward(self, x):
        # 分割输入为两部分（x1 和 x2）
        x1, x2 = x.chunk(2, dim=1)
        # 计算缩放和偏移参数
        s = self.scale_net(x1)
        t = self.shift_net(x1)
        # 变换 x2
        z2 = x2 * torch.exp(s) + t
        # 合并结果并计算对数行列式
        z = torch.cat([x1, z2], dim=1)
        log_det = s.sum(dim=1) # 行列式的对数
        return z, log_det

    def inverse(self, z):
        # 逆变换：从潜在变量恢复输入
        z1, z2 = z.chunk(2, dim=1)
        s = self.scale_net(z1)
        t = self.shift_net(z1)
        x2 = (z2 - t) * torch.exp(-s)
        x = torch.cat([z1, x2], dim=1)
        return x

    # 损失函数：负对数似然
    def flow_loss(z, log_det):
        prior_logprob = -0.5 * (z ** 2).sum(dim=1) # 标准高斯先验
        return (-prior_logprob - log_det).mean()

5 扩散模型（Diffusion）

5.1 概念

Diffusion Model（扩散模型）是一类深度生成模型，它的灵感来源于物理学中的扩散过程。与传统的生成模型（如 VAE、GAN）不同，Diffusion Model 通过模拟数据从随机噪声逐渐扩散到目标数据的过程来生成数据。这种模型在图像生成、文本生成和音频生成等领域都有出色的表现。

DDPM [NeurIPS 2020] 作为扩散模型的开山之作，证明了不用像 VAE 那样学方差，只学个均值，就能有很好的图像生成效果。

扩散模型也可以被认为像 AR，VAE 那样的传统的编码器->解码器结构，但有所不同：

• 传统的编码器会将特征图逐渐压缩到通道里，而扩散模型每个时间步输出的特征图大小一致
• 传统的编码器的每一层都是独立学习的，而扩散模型则是每个时间步都用同一套 U-Net，且共享参数，有点像 RNN，不断循环

DDPM [NeurIPS 2020] 中用到的 U-Net

a. 核心思想：模拟'破坏 - 修复'的物理过程

• 扩散模型的灵感来自物理扩散现象，比如墨水滴入水中逐渐扩散
• 它把这个过程用在数据生成里，分两个阶段：
  • 正向扩散（破坏 - 无可学习参数）：给干净数据（如图像）逐步加噪声，让数据从清晰变模糊，最后接近纯噪声（类似照片被雨水慢慢冲毁）
  • 反向扩散（修复 - 可学习的 U-Net）：从纯噪声出发，一步步去除噪声，恢复成清晰数据（类似修复老照片）通过学习这个过程，模型就能掌握数据的生成规律

b. 与其他模型的区别

• 传统生成模型（如 VAE、GAN）直接学习生成数据，而扩散模型像'数据侦探'，通过拆解'数据如何被噪声破坏'的过程，反向学会'如何从噪声还原数据'，生成的内容往往更细腻真实

5.2 训练过程

图中损失函数的核心是衡量'预测噪声'与'真实噪声'的差距，常用均方误差（MSE）：

逻辑：在正向扩散中，模型知道每个时间步加了多少真实噪声（正向加噪声过程无可学习参数，纯数学加噪声）。训练时，（可学习的）U-net 根据带噪样本预测噪声，损失函数要求预测值尽可能接近真实噪声。就像教孩子'找不同'，每次对比预测结果和真实答案，错得越多，损失越大，模型就会调整参数减少错误。作用：通过最小化损失，U-net 学会分析带噪数据的特征，最终在反向扩散时，能用预测的噪声逐步还原出清晰数据。

5.2 代码实现（Diffusion）

class DiffusionModel(nn.Module):
    """基于 UNet 的扩散模型"""
    def __init__(self, image_size=28, channels=1):
        super(DiffusionModel, self).__init__()
        # 定义噪声预测网络（简化版 UNet）
        self.net = nn.Sequential(
            nn.Conv2d(channels, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, 64, 3, padding=1),
            nn.ReLU(),
            nn.Conv2d(64, channels, 3, padding=1)
        )
        # 噪声调度参数
        self.num_steps = 1000
        self.betas = torch.linspace(1e-4, 0.02, self.num_steps)
        self.alphas = 1 - self.betas
        self.alpha_bars = torch.cumprod(self.alphas, dim=0)

    def forward(self, x, t):
        """预测噪声ε"""
        return self.net(x)

    def train_step(self, x0):
        # 随机选择时间步 t
        t = torch.randint(0, self.num_steps, (x0.size(0),))
        # 计算加噪后的 xt
        sqrt_alpha_bar = torch.sqrt(self.alpha_bars[t]).view(-1, 1, 1, 1)
        sqrt_one_minus_alpha_bar = torch.sqrt(1 - self.alpha_bars[t]).view(-1, 1, 1, 1)
        epsilon = torch.randn_like(x0)
        xt = sqrt_alpha_bar * x0 + sqrt_one_minus_alpha_bar * epsilon
        # 预测噪声并计算损失
        epsilon_pred = self(xt, t)
        loss = F.mse_loss(epsilon_pred, epsilon)
        return loss

    def sample(self, num_samples=16):
        """从噪声逐步生成图像"""
        xt = torch.randn(num_samples, 1, 28, 28)
        for t in reversed(range(self.num_steps)):
            # 逐步去噪
            epsilon_pred = self(xt, t)
            xt = (xt - self.betas[t] * epsilon_pred) / torch.sqrt(self.alphas[t])
            if t > 0:
                xt += torch.sqrt(self.betas[t]) * torch.randn_like(xt)
        return xt

6 小结

最后，简单回顾一下已经简单介绍过的 5 种常见的深度学习模型：

VAE（变分自编码器）、GAN（生成对抗网络）、AR（自回归模型 如 Transformer）、Flow（流模型）和 Diffusion（扩散模型）

我们可以看到不同模型的优缺点和适用场景：

• VAE和GAN是两种常用的深度生成模型，分别基于贝叶斯概率理论和对抗训练来生成样本
• AR模型则适用于处理具有时序依赖关系的数据，如序列数据
• Flow模型和Diffusion模型在生成样本上具有较好的稳定性和多样性，但需要较高的计算成本

最后提供一些潜在的问题和方法：

研究方向	核心问题	技术路径	典型应用场景
混合架构融合	单一模型难以兼顾生成质量与推理速度	• Diffusion-GAN 混合（扩散模型生成质量+GAN 推理速度）
• VAE-Transformer（压缩编码 + 序列建模）
• 流模型与自回归模型联立训练	• 高保真图像实时生成
• 长视频时序一致性优化
轻量化	大模型部署资源消耗过高	• 知识蒸馏（教师 - 学生模型迁移）
• 隐式神经表示（INR 参数化生成）
• 稀疏注意力机制与量化压缩	• 移动端 AI 绘图 APP
• 边缘计算设备实时生成
物理约束嵌入	生成内容违反现实物理规律	• 刚体动力学方程约束（牛顿力学 + 生成器）
• 流体力学 PDE 求解器集成
• 符号逻辑引导的潜在空间优化	• 科学模拟（气象/材料）
• 机器人训练环境生成