深度学习《VAE-GAN》

VAE-GAN如下图所示，也就是VAE+GAN的组合。
我们知道VAE是由一个编码器一个解码器组成，编码器可以将数据映射到一个低维的空间分布code c，而解码器可以将这个分布还原回原始数据，因此decoder是很像GAN中的generateor，如果再后面拼接上一个判别器D，这样的话，前两个模块就是VAE，后俩模块就是GAN。

训练的时候，decoder输出的x’要和原始的x尽可能接近（L1或L2距离），x’和真实数据x经过D需要判别出是是否是真实的图片，训练结束后，我们就能直接取出GAN的部分做生成使用，也可以取出VAE的部分，做压缩降维处理。

为什么要这么设计呢？
VAE有一个很大的问题就是，解码产生的图片往往都比较模糊。虽然我们希望decoder输出的x’要和原始的x尽可能接近，也就是loss越小越好，但是很难真的能loss小到0啊，loss越小不代表图片越是看起来越真实啊，因此我们就需要一个判别器来判别图片是不是真实的，可以来帮助VAE提高真实性。

另一方面从GAN的角度来看，之前我们的generateor输入都是随机的，比如采样某个噪声输入，训练起来比较难，现在有了VAE，我么就能准确摸索到generateor的输入的大概空间分布了，这样会变得准确高效一些。

也就是VAE和GAN相辅相成，互帮互组，最后训练完了后，VAE和GAN都是表现的更加优秀。

既然VAE和GAN能相辅相成，我们也可以做出下面的变化，这是不是很熟悉？如下图：

是不是很熟悉？因为这个结构就像是CycleGAN的结构啊，我们希望输入generator的z和经过generator和encoder后得到的z越接近越好，此时也需要判别器D来帮助VAE提