本文主要是介绍理解分类器（linear）为什么可以做语义方向的指导？（解纠缠），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
Attribute Manipulation（属性编辑）、disentanglement（解纠缠）常用的两种做法：线性探针和PCA_disentanglement和alignment-CSDN博客
在解纠缠的过程中，有一种非常简单的方法来引导G向某个方向进行生成，然后我们通过向不同的方向进行行走，那么就会得到这个属性上的图像。那么你利用多个方向进行生成，便得到了各种方向的图像，每个方向对应了很多的编辑后的图像，这就完成了解纠缠。
那么为什么分类器可以做方向上的引导呢？
分类器的实现：
nn.linear(D, classification_num)
分类器的本质是矩阵，训练生成器的本质上是寻找一个决策边界，将不同类别的数据分开。
线性分类器的决策边界可以表示为：w^T z + b = y 其中 w 是权重向量，z 是输入向量（在我们的例子中是图像的潜在表示），b 是偏置项。
权重向量 w 的几何意义：
- w 实际上是垂直于决策边界的向量。
- 它指向的是使得分类器输出增加最快的方向。（是使得正例（具有该属性的图像）和负例（不具有该属性的图像）区分最明显的方向。因此，这个方向恰好是在潜在空间中最能体现该属性变化的方向）
- 换句话说，沿着 w 的方向移动，属性的"强度"变化最大。
如何对图像进行进行某个方向的移动？
训练方法：
这样就训练好了一个分类器
推理方法（向某个方向进行图像生成）：
只需要使用 rep′ = rep + s*w 即可完成
通俗理解可以认为是沿着某个属性（w）向前走，走的快慢由s决定
https://arxiv.org/abs/2111.15640
这篇关于理解分类器（linear）为什么可以做语义方向的指导？（解纠缠）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
