看了各种各样的博客，终于有了自己的一点理解！懂了以后发现这个思想蛮有意思的。
首先要知道啥是自编码器，其实就是encoder-decoder结构，可以用来压缩数据的，比如我手写一个0，经过神经网络（encoder）输出一个64维的向量，然后用神经网络（decoder）将这个向量还原出我写的0，设置一个重建loss让两幅“0”图长得像，就可以训练出来一个自编码器，以后只需要这个64维向量就可以解码出我写的0啦。
那么不满足的我，想要生成任意一个0，和我写的像又不一样，这怎么办？很直观的想法就是加一个小扰动到64维向量，让解码器生成。但是结果肯定不理想，可能没变化，可能变得乱七八糟，毕竟解码器可没处理过这场面！
那么聪明的科学家琢磨了一个办法，让编码器（神经网络）除了输出一个向量（均值），还输出一个方差，训练的时候每次给你解码器的向量都是在均值附近来回跳（输入成了高斯分布），这样你这个解码器还不就能学习适应这种扰动了嘛，可以生成各种各样和0像却又不太一样的图！
可是这就带来一个问题，原来的重建损失，必然导致我学到的方差逼近于0，毕竟神经网络才不会喜欢你变来变去，解码出来的图就和原图之间的重建loss变大了。那好，那我们就加一个KL散度的损失（KL散度用于衡量分布之间的相似性），实际上就是正则项，来逼迫编码器生成的均值和方差与单位正态分布相似，这样你还不乖乖输出方差！这个KL散度的函数是一个泛函，求解它的极值需要变分法，这里也就体现了“变分”自编码器这个名字的含义。
变分自编码器(VAE)到底是做什么的相关文章：
★ 变分自编码器解析
★ 什么是编码器？
《变分自编码器(VAE)到底是做什么的》
看了各种各样的博客，终于有了自己的一点理解！懂了以后发现这个思想蛮有意思的。 首先要知道啥是自编码器，其实就是encoder-decoder结构，可以用来压缩数据的，比如我手写一
推荐度： 
点击下载文档文档为doc格式
