变分自编码器VAE

1、自编码器Auto-Encoder（AE）
2、变分自编码器Variational Auto-Encoder(VAE)
3、Auto-Encoding Variational Bayes
4、学习地址

1、自编码器Auto-Encoder（AE）

自编码器的Auto是自己训练自己的意思，有两部分Encoder和Decoder组成。输出不在是类别而是与输入层有相同数量的神经元。其最大的特点就是中间隐藏层神经元个数非常少，起到的作用就像瓶口一样，把输入进行过滤，特征提取，有点像高度压缩，用很少的变量就能表示输入数据。
在这里插入图片描述

AE不同于传统的压缩算法，可以认为是一种全新的图像压缩或者表示方式。比如，谷歌就用它来减少图像下载的流量，先在云端把这些图像进行Encoder，然后只传送特征，到了手机上再通过Decoder进行重建，这样就极大的节省了传送的流量。

2、变分自编码器Variational Auto-Encoder(VAE)

生活中常见的各种数据，无论文本、语音还是图像，都存在着大量的冗余信息。理论上来说，他们都可以用极少的变量来表示，实现这种思想的方法就是VAE模型。
Variation指的是分布，意思是不再把输入映射到固定的变量上，而是映射到一个分布上，比如混合高斯GMM上，网络模型中的bottle neck被分解成了两个向量。
在这里插入图片描述
VAE的损失函数比较复杂，具体包含两个部分，第一块是重建损失，和自编码器是一样的，另一块是KL散度，用来描述学习的分布和高斯分布之间的相似性。

VAE近两年非常火，除了用于图像压缩，图像降噪，也被应用于图像分割，比如自动驾驶中就常用来把道路场景进行分割，分成不同的感兴趣区域，还可以用于环境表示，例如Deep Mind 团队就用它来学习3D模拟世界，用Latent Model 来表示潜在空间，这些学习到的特征很多时候是可以解释的，有的变量改变了地板的颜色，有的变量改变了前进的方向。还有一个趋势就是与强化学习结合，用来进行环境的潜在空间表示，从高维的观测数据中有效提取特征，通过压缩大量信息来训练能够理解世界的agent