**變分自編碼器**（VAE，variational autoencoder） * 找到一個低維的表示**潛在空間**（latent space，也是一個向量空間），其中任意點都可以被映射為一張逼真的圖像。 * 能夠實現這種映射的模塊，即以潛在點作為輸入并輸出一張圖像（像素網格） * **生成器**（generator，對于 GAN 而言） * **解碼器**（decoder，對于 VAE 而言）  * [ ] 使用與輸入圖像**相同的圖像**作為目標數據來訓練這個自編碼器 **VAE：** * VAE向自編碼器添加了一點統計魔法，迫使其學習連續的、高度結構化的潛在空間。這使得 VAE 已成為圖像生成的強大工具。 * VAE 不是將輸入圖像壓縮成潛在空間中的固定編碼，而是將圖像轉換為統計分布的參數，即平均值和方差。 * 損失： * **重構損失**（reconstruction loss），迫使**解碼后**的樣本匹配初始輸入 * **則化損失**（regularization loss），有助于學習具有良好結構的潛在空間，并可以降低在訓練數據上的過擬合