条件式变换自编码机（conditional variational autoencoders）学习笔记（一）

前言

本文为自学VAE时做的阅读笔记。
原文链接：https://ijdykeman.github.io/ml/2016/12/21/cvae.html

原文

Introduction

原文作者苦于没有通俗易懂的VAE资料，所以在自学之后，借用MNIST作为例子，希望为后来者提供一份易懂的VAE入门读物。
若想继续深入，可阅读：Tutorial on Variational Autoencoders

VAE的功能

VAE是一个生成模型（generative model）,用来生成和训练数据的样本很像的、让人可信的假样本。以MNIST为例，生成的便是手写数字图像。具体而言，VAE可以提供一个隐空间（latent space），我们可以从中采样。每一个点都可以被解码为一个合理的手写数字图像。

VAE的结构

任何一个自编码机的目的都是重构他的输入。 它先将输入压缩为一个更小的结构，然后再解压为一个和输入较为相似的输出。压缩功能由编码器（Encoder）完成，解压功能则是由（Decoder）负责。此处两者皆为神经网络。

诚然，如果只是把输入重构，标准的自编码机够用。但它不足以被称为生成模型（generative model），因为一个随机的输入图像V’ 就可能最后输出一张完全不可读的图片（这是由于V’ 可能完全不像之前读入过的任何图像）。我们需要不管输入输入任何图像，都可以输出一张合理的图像。
那么该怎么做？我们可以先定义好解码器应该得到的输入