条件变分自编码器（cVAE）原理与实现

0. 前言

本节首先概述条件变分自编码器（conditional Variational Autoencoder, cVAE）的核心思想：在普通 VAE 的基础上，通过将标签信息作为'条件'输入，使得生成模型可以在特定类别上进行数据重构与新样本生成。接着详细讲解 cVAE 的理论推导，包括证据下界（Evidence Lower Bound, ELBO）的条件化形式以及重参数化技巧。最后，使用 PyTorch 构建 cVAE，并使用 Fashion-MNIST 数据集进行训练。

1. cVAE 简介

条件变分自编码器（conditional Variational Autoencoder, cVAE）是基于变分自编码器（Variational Autoencoder, VAE）而来的一种生成模型，它在原始 VAE 的基础上引入了条件变量（例如图像的类别标签），使编码器和解码器在'潜变量'之外，还同时接收类别信息，从而能够在生成阶段针对特定类别生成样本。相比于无条件的 VAE，cVAE 在生成可控性方面更具优势。