https://blog.csdn.net/matrix_space/article/details/83683811
Variational Autoencoder
有更加完备的数学理论（引入了隐变量），理论推导更加显性，训练相对来说更加容易
VAE 全名叫 变分自编码器，是从之前的 auto-encoder 演变过来的，auto-encoder 也就是自编码器，自编码器，顾名思义，就是可以自己对自己进行编码，重构。所以 AE 模型一般都由两部分的网络构成，一部分称为 encoder, 从一个高维的输入映射到一个低维的隐变量上，另外一部分称为 decoder, 从低维的隐变量再映射回高维的输入：
————————————————
版权声明：本文为CSDN博主「Matrix_11」的原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/matrix_space/article/details/83683811
======
这篇文章里的很形象：https://blog.csdn.net/weixin_40955254/article/details/82315224
通过一个网络，将一个高维空间的人脸映射为低维空间的一个向量。
想象一下，在一个末日大片中，我们需要去搞出一个许多机器人占领世界的场面，但是我们的特效师一张张去画，这无疑会是一个令人头疼的工作，利用VAE，只需要使用有限的数据输入，我们就可以通过隐形参数的调节，获得几乎无限的数量。
VAE中的编码器，对于每个隐性参数他不会去只生成固定的一个数，而是会产生一个置信值得分布区间，这是一种连续的表达方式，通过采样，我们就可以获得许多从来没有见过的数据了。
https://blog.csdn.net/weixin_40955254/article/details/82315909
我们所假设的这些分布都是正态分布，那么我们就需要求得相应的方差和均值，所以在编码实现的过程中，不难看到encoder部分真实做的事情就是，对相应的输入数据，通过两个网络产生了均值和方差。
第三部分在：https://blog.csdn.net/weixin_40955254/article/details/101037614