生成对抗网络论文中的一些概念和名词

生成对抗网络论文阅读报告
全连接层的矩阵表示
深深感到概率论是人工智能的基础，
马尔可夫链：下一状态的概率分布只能由当前状态决定，在时间序列中它前面的事件均与之无关
P(Y|X)=p(X,Y)/p(X) Y是label 而X是样本
P（x1，x2）=p(x1)*p(x2)

最大似然估计：f(x1~xn|Q)=f(x1|Q)*f(x2|Q)…f(xn|Q)
两边取对数log，则是平均对数似然
概率和似然的定义，概率描述的是在一定条件下某个事件发生的可能性，概率越大说明这件事情越可能会发生；而似然描述的是结果已知的情况下，该事件在不同条件下发生的可能性，似然函数的值越大说明该事件在对应的条件下发生的可能性越大。
最大似然估计是所有生成模型的基础
最大似然估计法的基本思想
  极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。若在一次试验中，结果A出现，则一般认为试验条件对A出现有利，也即A出现的概率很大。
  最大似然估计法的思想很简单：在已经得到试验结果的情况下，我们应该寻找使这个结果出现的可能性最大的那个X作为真X的估计。求X的极大似然估计就归结为求L(X)的最大值点，而由于对数函数是单调增函数，所以对L(X)取log。
  对log（L(X)）关于X求导数，并命其等于零，得到的方程组称为似然方程组。解方程组log（L(X)），又能验证它是一个极大值点，则它必是L(X)的最大值点，即为所求的最大似然估计。

论文中的先验信息z即随机生成的数据 z到x是一个映射

Parzen窗估计属于非参数估计。所谓非参数估计是指，已知样本所属的类别，但未知总体概率密度函数的形式，要求我们直接推断概率密度函数本身。非参数估计的方法主要有：直方图法、核方法。Parzen窗估计属于核方法的一种。

名词：二元极大极小网络，马尔可夫链，近似推理网络，分段线性单元，最大似然估计，深度波兹曼机