不同种类的网络的特点

这个知识点看了好多次，但是每次都忘记，今天就写一个加深一下印象

判别式网络就突出的就是判别两个字，我们就是通过训练集去学习决策边界（也就是所谓的模型），然后提取输入样本的特征，直接放进模型，看这个决策边界把这个样本放在哪里了。所以判别式网络学习的是一个后验概率，输入样本后就直接输出结果了（属于哪个类别），不像是生成式网络要去对比哪个概率大。

判别式网络的例子：Linear Regression，SVM等

生成式网络 具体是每一种类别的特征我们模型都会去学习（建模），然后从当前输入样本中提取特征，放在每一类别的模型里面，看那个概率更大，哪个大就是哪个。所以生成式模型求的是联合概率, X就是输入的样本，Y就是每一个类别。

生成式网络的例子：Naive Bayes，HMM等

监督学习

就是人为地给定输入和输出，然后我们就通过这些输入和输出的关系去学习怎么更好地将这个关系给表达出来，以至于我们可以在以后，直接输入一个样本就可以根据学习到的关系而直接给出输出了。

无监督学习

只有输入了，没有对应的输出（没有对应的label），于是网络也要学习，但是网络是从大量的数据中学习同类数据的特性形成一种高级的表征

无监督里面分两种：

第一种就是生成式学习：有数据生成数据，使之在整体与训练数据更加地接近。所以要学习样本的细节，这样才可以更加接近嘛。代表就是有VAE，GAN

第二种就是对比式学习：学习同类样本之间的共同特征，还要区分非同类样本之间的不同之处。不需要学习样本的细节，只需要学习到对数据的区分即可，从而泛化能力更强

暂时的理解就这么多，遇到新问题再补充