Bayesian_DNNS: 使用Pixyz进行贝叶斯深度神经网络的实践和实验

简介：
本项目通过Pixyz框架探索贝叶斯深度神经网络（Bayesian DNNs）的应用与性能，结合理论分析与实际案例，深入研究模型不确定性评估。 贝叶斯深层神经网络（Bayesian DNNS）的实践与实验展示了其在处理复杂任务中的应用价值。此外，高斯混合变分自动编码器（GMVAE）通过使用高斯混合先验，在面对不平衡数据集时展现出了更强的鲁棒性，相较于Kingma提出的m2模型具有明显优势。 以MNIST不平衡数据为例进行说明：标签数量分布如下[0:1000, 1:10, 2:10, 3:10, 4:10, 5:100, 6:70, 7:40, 8:50, 9:30]，未标记图片总数为5万张。在训练过程中采用与标签数据相同的采样率（不平衡），验证集则包含总计1万张平衡分布的图像。 实验结果表明： - Kingma的M2模型对于潜在变量维度0和1以及重建后的图像进行了展示。 - GMVAE同样展示了其潜在变量维度0和1及对应的重建图像，可以看出每个标签都有独特的分布特征。