中国的文字博大精深的语句（快速理解深度学习中的latent code潜在编码）
本文大量参考英文文献Understanding Latent Space in Machine Learning ，并给出一些个人浅显的理解 。本意在记录 ，其次在分享 。
1.什么是潜在编码？
事实上 ，接触过深度学习或机器学习 ，应该就算是接触过潜在编码 。潜在编码我的理解就是一种降维或者说是压缩 ，旨在用更少的信息去表达数据的本质 。
上图是一个简单的encoder-decoder架构 ，如果把整个网络看成一个花瓶 ，最细的地方则称之为瓶颈 。我们知道 ，压缩一般都是有损的 ，这里也不例外 ，但如果损失的是噪声或者是无用信息是我们最喜欢的了（这样就可以达到信息压缩的目的）
通过encoder压缩之后 ，更重要的是恢复 ，我们理应认为 ，能恢复的才算成功压缩了的 ，那么我们就可以认为这个latent space representation是真的表达出了input image中最关键的信息 。
2.什么是潜在空间？
我个人的理解是 ，潜在空间和潜在编码是一个意思 ，编码->空间是符合直觉的 ，例如3x1的编码就可以画成三维空间的一个点 。
3.进一步理解同类潜在编码相似
首先定义什么是同类 ，椅子和椅子是同类 ，狗和狗是同类 。如图所示 ，如果使用完整的3D表征去表示A椅子和B椅子 ，那么他们之间是不会接近的 ，一眼就可以看出来一个黄色一个黑色 ，朝向也不同 。但 ，如果把一些"个性化的特征"去掉 ，仅保留一类的特征 ，那么它们在潜在空间中的点是非常非常接近的 ，例如把颜色去掉 。在空间中想象 ，A椅子和B椅子此时会很接近 ，我们就认为很相似 。
4.潜在编码的应用
那么 ，我们如果完美的得到一个东西的潜在表征 ，即latent code(也可以叫latent space or latent space representation) ，我们可以利用它做什么？
这里不得不提到 Antoencoders 和 Generative models 。
自编码器 ，顾名思义 ，自己给自己编码 ，可以发现本网络输出和输入都是一个东西 ，如果以输出"定英雄"那么我们认为是无意义的 ，但如果观察其过程 ，我们知道latent coder 通过Decoder恢复成了自己 ，具体的实施就更简单了 ，只需要把输出与输入做相似度损失 ，然后反向传播 ，慢慢地就像了 。
潜在空间插值
同类在空间中是相近的 ，例如两把椅子的向量为[0.1,0.1]和[0.12,0.12] ，把这两个喂入网络中 ，生成的当然是椅子 ，那如果输入[0.11,0.11]呢？当然也是椅子 ，这就是插值 。下图展示了插值的效果 ，可以看到同类周围插值就相似但有微小区别的 。最简单的应用就是把它当成一种数据增强去扩大数据集 。
下图为两把椅子之间进行线性插值的效果图 。
5.结论
潜在空间可以用少量的数据表示某一个（类）信息 ，在3D表示等领域中也有更为具体的应用 。
创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！