從隱空間理解編碼器(Encoder)

高煥堂

1前言

當我們在閱讀關(guān)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(guān)文章的內(nèi)容，以及圖示。例如，關(guān)于Diffusion（擴張模型）的文章里常看到如圖1。

圖1說明諸如Stable Diffusion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(guān)于DeepFake（換臉）的文章里，也常看到這兩個名詞（圖2）。

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）。

這圖里有兩個一維空間。人們隨著閱歷增多，逐漸學(xué)習(xí)，就會連連看，把兩個空間對映起來（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>。看到池塘里有白色家禽，可能就會聯(lián)想的< 鵝> 或< 雞>。接下來，請您先思考：AI 如何學(xué)會上述的連連看呢？ 也就是，人們?nèi)绾萎斃蠋煟焉鲜龅倪B連看智能，傳授（ 教導(dǎo)） 給AI 模型，讓它也能記憶上述的連連看關(guān)系。

其實，它是依賴一個簡單的數(shù)學(xué)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）。

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）。

當AI 計算出Y=4.6，很接近于4，就連結(jié)到< 鴨> 了，也就憑過去的學(xué)習(xí)經(jīng)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(jié)到< 雞> 了，也就憑過去的學(xué)習(xí)經(jīng)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）。

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）。

請您練習(xí)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）。

請您練習(xí)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(chǔ)，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(yīng)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）。

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(zé)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(jù)（ 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）。

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(jié)束語

深刻領(lǐng)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(jù)其所學(xué)習(xí)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(nèi)容。