從隱空間理解編碼器(Encoder)

1 前言

當我們在閱讀關于AIGC 的文章時，常常會看到Encoder和Decoder名詞。它們是AI( 即ML) 的核心模型，如果能深入理解它們的涵意和功能，就能更流暢地理解相關文章的內容，以及圖示。例如，關于Diff usion( 擴張模型) 的文章里?？吹饺鐖D1。

(圖1 來源https://www.joaoleal.com/how-stablediffusion-dall-e-2-and-midjourney-work)

圖1 說明諸如Stable Diff usion 里，就含有文本編碼器(text encoder)、圖像編碼器(img decoder)、以及解碼器(decoder)。這些都是AI 里的基本名詞，處處可見。再如，關于DeepFake( 換臉) 的文章里，也?？吹竭@兩個名詞( 圖2)。

(圖2 來源：https://arxiv.org/pdf/1909.11573.pdf)

這圖里就說明了，一般的DeepFake 模型里常含有一個圖像編碼器(Eecoder)、以及兩個圖像解碼器( 即Decoder_A 和Decoder_B)。

諸如上述圖片，其中的”Encoder”、”Decoder 名詞是處處常見的。所以把它弄清楚是有必要的。于是，本文就先來解說第1 個名詞：編碼器(Encoder)。當您深入理解編碼器了，就能輕易繼續(xù)理解第2 個名詞：解碼器(Decoder)。

2 從歐式空間出發(fā)

為了充分掌握它，就必需從歐式(Euclidean) 空間來入手。所謂空間就是大家熟悉的坐標空間(Coordinate space)。例如，一維空間就是數(shù)線( 圖3)。

圖3

這圖里有兩個一維空間。人們隨著閱歷增多，逐漸學習，就會連連看，把兩個空間對映起來( 圖4)。

圖4

人們把它記憶于腦海里。看到池塘里有黑色家禽，就會聯(lián)想的< 鴨>?？吹匠靥晾镉邪咨仪荩赡芫蜁?lián)想的< 鵝> 或< 雞>。接下來，請您先思考：AI 如何學會上述的連連看呢? 也就是，人們如何當老師，把上述的連連看智能，傳授( 教導) 給AI 模型，讓它也能記憶上述的連連看關系。

其實，它是依賴一個簡單的數(shù)學公式：Y=X*W+B。有時候會再添加激活函數(shù)，如：Z = Sigmoid(Y)。于是，拿來X = 0，放入公式計算出Y=4.6 的值( 圖5)。

圖5

AI 就依賴這些參數(shù)( 即W 和B 值) 來記憶這項連連看的智慧。于是，再拿來X = 255，放入公式計算出Y = 0.5 的值( 圖6)。

圖6

當AI 計算出Y=4.6，很接近于4，就連結到< 鴨> 了，也就憑過去的學習經驗和智慧，拿起畫筆畫出一只黑色鴨了。同樣地，AI 計算出Y = 0.5，很接近于0，就連結到< 雞> 了，也就憑過去的學習經驗和智慧，拿起畫筆畫出一只白色雞了。這就是AI 繪圖創(chuàng)作的源點。

在上述的例子里，白色灰階值為0，只有1 個特征值(Feature)，可以是使用1 維空間表示。同理，當x = [255,100] 時，它即是2 維歐式空間里的一個點。

依此類推，當x = [255, 255, 255] 時，它即是3 維歐式空間里的一個點。在AI 里，就拿歐式空間來表達宇宙中的一切事物或現(xiàn)象。例如，拿歐式空間來表達RGB色彩，就成為大家熟知的RGB 色彩空間( 圖7)。

圖7

3 范例演練

此范例里，包含4 張圖像，各章都由4 個像素(Pixel)所組成( 圖8)。

圖8

請您練習想想看，在AI 里如何使用歐式空間來表達這4 件事物( 即4 張圖) 呢? 答案是：每一張圖像有4*3 = 12 個值( 即12 個特征)，每一個特征值各在一維度軸上。于是，上述每一張圖在12 維歐式空間里，就是一個點。以此類推，這是1 張512 x512 的JPG 圖像( 圖9)。

圖9 圖源自《仙劍奇?zhèn)b傳》

請您練習想想看，在AI 里如何使用歐式空間來表達這張圖像呢? 答案是： 每一張圖像有512*512*3 個值( 即特征)，每一個特征值各在一維度軸上。于是，上述這張圖在512*512*3維歐式空間里，就是1 個點。

基于上述的基礎，接下來，就可來理解一個常見的名詞：Embedded 及Embedding 。剛才提到，在這12 維空間里，存放( 記載) 這4張圖( 只含4 個點)。似乎有些浪費空間，計算也常比較費時。那么，我們能否把它降維呢？例如，利用5 維空間的4 個點來代表這4 張圖，會更省空間。

答案是：可以的。但是，請想一想：5 維空間的每一個點只能含有5 個值( 特征)，而上述每一張圖有12 個值，該怎么辦呢？這個降維過程，就稱為：嵌入(Embedding )。即是：高維空間里的點，對應到低維空間里的點。于是，可將兩個不同的高維空間里的點，嵌入到同一個低維( 如3 維) 空間里( 圖10)。

圖10 內含圖片引自《仙劍奇?zhèn)b傳》

這表達了，仙劍奇?zhèn)b傳里的“趙靈兒”喜歡“圖像-B”，而“李逍遙”喜歡“圖像-A”。負責嵌入的模型叫：編碼器(Encoder)。

人們想象可觀察空間里事物，然后由Encoder 來進行編碼，即嵌入到隱空間里，而AI 則對隱空間里的嵌入數(shù)據( 通稱為：Embedding code) 進行操作，來組合、生成創(chuàng)新的東西( 仍在隱空間里)，然后交給Decoder來還原出可觀察空間的事物( 如新圖像、或新文句等)。例如，更多創(chuàng)新組合( 圖11)。

圖11

上圖里的灰色部分就是隱空間，而Diffusion 就是在這隱空間里，進行圖像的組合創(chuàng)新。

4 結束語

深刻領會Encoder 和Decoder 的功能，非常有助于理解AIGC 的涵意。例如，理解Encoder 在進行嵌入到低維空間時，會過濾掉一些訊息。然后Decoder 必需( 依據其所學習的智慧) 把被過濾掉的細節(jié)部分弭補起來。

此時，像Diffusion 在隱空間里的創(chuàng)新組合，以及其Decoder 所添加弭補的部分，就是Diffusion 生成的內容。

（本文來源于《電子產品世界》雜志2023年6月期）