要解决"变分自编码器损失值未正确显示"的问题，你可以尝试以下方法：

1. 确保代码中的损失函数正确计算和显示。变分自编码器（VAE）的损失函数通常包括重构损失和KL散度损失。重构损失可以使用交叉熵或均方差来计算，而KL散度损失可以使用公式来计算。确保你的代码正确计算并显示这些损失。

2. 检查代码中的网络结构和参数设置。确保编码器和解码器的网络结构正确，并且参数设置合理。注意输入输出的维度是否匹配，并且网络中的激活函数和正则化方法是否正确。

3. 检查数据预处理和输入。确保输入数据正确预处理，并且在训练和测试过程中使用相同的预处理方法。确保输入数据的维度和类型与网络模型匹配。

4. 检查优化器设置和训练过程。确保使用适当的优化器，并正确设置学习率和其他参数。检查训练过程中的迭代次数和批量大小是否正确。

5. 调试代码并输出中间结果。通过在代码中添加调试输出，查看中间结果和损失值的值，以确定问题出现在哪个部分。

以下是一个示例代码，演示了如何实现变分自编码器并计算和显示损失值：

import tensorflow as tf
from tensorflow.keras import layers

# 定义变分自编码器模型
latent_dim = 2

encoder_inputs = tf.keras.Input(shape=(28, 28, 1))
x = layers.Conv2D(32, 3, activation="relu", strides=2, padding="same")(encoder_inputs)
x = layers.Conv2D(64, 3, activation="relu", strides=2, padding="same")(x)
x = layers.Flatten()(x)
x = layers.Dense(16, activation="relu")(x)
z_mean = layers.Dense(latent_dim, name="z_mean")(x)
z_log_var = layers.Dense(latent_dim, name="z_log_var")(x)

# 重新参数化技巧
def sampling(args):
    z_mean, z_log_var = args
    epsilon = tf.keras.backend.random_normal(shape=(tf.keras.backend.shape(z_mean)[0], latent_dim), mean=0., stddev=1.)
    return z_mean + tf.keras.backend.exp(z_log_var) * epsilon

z = layers.Lambda(sampling, output_shape=(latent_dim,), name="z")([z_mean, z_log_var])

encoder = tf.keras.Model(encoder_inputs, [z_mean, z_log_var, z], name="encoder")

# 定义解码器模型
latent_inputs = tf.keras.Input(shape=(latent_dim,))
x = layers.Dense(7 * 7 * 64, activation="relu")(latent_inputs)
x = layers.Reshape((7, 7, 64))(x)
x = layers.Conv2DTranspose(64, 3, activation="relu", strides=2, padding="same")(x)
x = layers.Conv2DTranspose(32, 3, activation="relu", strides=2, padding="same")(x)
decoder_outputs = layers.Conv2DTranspose(1, 3, activation="sigmoid", padding="same")(x)

decoder = tf.keras.Model(latent_inputs, decoder_outputs, name="decoder")

# 定义变分自编码器模型
outputs = decoder(encoder(encoder_inputs)[2])
vae = tf.keras.Model(encoder_inputs, outputs, name="vae")

# 损失函数
reconstruction_loss = tf.keras.losses.binary_crossentropy(encoder_inputs, outputs)
reconstruction_loss *= 28 * 28
kl_loss = 1 + z_log_var - tf.keras.backend.square(z_mean) - tf.keras.backend.exp(z_log_var)
kl_loss = tf.keras.backend.sum(kl_loss, axis=-1)
kl_loss *= -0.5
vae_loss = tf.keras.backend.mean(reconstruction_loss + kl_loss)
vae.add_loss(vae_loss)

# 编译和训练模型
vae.compile(optimizer="adam")
vae.fit(train_data, epochs=10, batch_size=128)

#