关于变分自编码器中的损失函数，我有一个问题。我遵循了Tensorflow的示例https://www.tensorflow.org/tutorials/generative/cvae，创建了一个LSTM-VAE，用于采样正弦函数。

我的编码器输入是一组点(x_i,sin(x_i))，这些点在特定范围内随机采样，我期望解码器输出类似的值。

在Tensorflow指南中，使用交叉熵来比较编码器输入和解码器输出。

cross_ent = tf.nn.sigmoid_cross_entropy_with_logits(logits=x_logit, labels=x)

这是有道理的，因为输入和输出被视为概率。但实际上，这些概率函数代表的是我的正弦函数的集合。

我不能简单地使用均方误差来代替交叉熵吗（我尝试过，效果很好），还是这会导致架构在某个点上出现错误行为？

感谢您的帮助，最好的祝愿！

回答：

嗯，当你工作过多，停止正确思考时，就会出现这样的问题。为了解决这个问题，有必要思考一下我试图做什么。

p(x|z) 是解码器的重构，这意味着，通过从z中采样，值x以概率p生成。在Tensorflow的示例中，使用了图像分类/生成，在这种情况下，交叉熵是有意义的。我只是想最小化输入和输出之间的距离。使用均方误差是合乎逻辑的。

希望这能在某个时候帮助到某人。

祝好。