自监督模型
训练一个ae的encoder，就能把code和object对应起来，获得code。给定一个code，decoder就能输出对应的object。
Autoencoder存在什么问题?
因为作为训练数据的object是有限的，导致decoder实际上只能把训练过程中见过的code给还原成对应的object。如果随机给一些code，它不会生成训练集中没有见过的object。
如何解决？
VAE：训练decoder的时候给code加点噪声，就能让decoder在生成的时候可以克服一些带噪声的code，即使没有在训练中见过，也能生成比较合理的object（直觉上的理解，训练的时候希望一定范围内的code都能重构输入）。
因此在VAE中，encoder输出的不直接是code，而是一组m和一组σ，而向量c才是真正的加了噪声的code，其中ci = exp(σi) x ei + mi。训练过程中的优化目标也不仅是重构误差，还有一项 Σ (exp(σi) - (1+σi) + (mi)2)，要强迫加噪声的方差不能太小（因为是模型学习的参数，如果不做限制，为了能重构的更好会越更新σi 越使得噪声方差接近0；而实际上我们希望σi 接近0（真正的方差接近1），所以最小化exp(σi) - (1+σi)，mi平方项可以理解为L2 norm正则）。
理论上分析 VAE
对 p(x) 的建模通过 p(x | z) * p(z) 来实现，很容易就想到GMM。如何从GMM 中采样数据？先根据多项式分布p(m)决定要从哪个高斯分布中采样，然后就根据对应的那组mean和variance决定的高斯pdf来采样x。
而VAE实际上就是GMM的 distributed representation 的版本，先从一个高斯分布中采样出一个向量z，再根据z来决定mean和variance。那由于 z 是连续的，所以有无穷多个z，就有无穷多个高斯的mean和variance（在GMM中有几个高斯就是固定的）。在z的空间中，每个点都可能被sample到，而每一个点都对应到一个高斯分布。那么如何得到 z 和高斯的mean、variance的对应关系呢？干脆就用一个NN。
所以在整个 VAE 模型中，关键不是使用 p(z)（先验分布）是正态分布的假设（z服从别的分布也可以），而是假设 p(z | x)（后验分布）是正态分布。