变分自编码器希望从一个的隐藏变量Z生成目标数据的X的模型，但是实际上是有所不同，更加准确的讲，它们将假设Z生成目标数据X的模型。，但是现实上有所不同，更加准确的，它们将z服从某些常见的分布（正太分布或者均匀分布），然后希望训练一个模型。这个模型能改哦将原来的概率分解映射到训练计的分布马也就是说，它们的目标是进行分布之间的转换。
生成模型的难点是判断生成非呢步与正式分布的相似度，因为我们只知道两者值啊间的采样结果，不知道它们的分布表达式。
现在的假设z服从标准的正太分布，那么我们就可以从中采样得到若干的，然后对它们做变幻的到x1,，我们如何判断这个通过这个通过G函数个哦造出来的数据集，它们的分布与我们的目标数据集合分布是不是一样的。
这里我们可以根据KL散度，但是这个概念是根据两个概念分布的表示来计算它们的相似度，但是我们目前不知道他们的概率分布表达式。我们只有一批从构造的分布采样而来的数据{}，还有一批从真实的分布采样的数据{}，我们只有样本本身，没有分布表达式，当然没有办法计算KL散度。
肃然遇到困难，但是还是要想办法去解决。GAN的想法是很直接，既然没有合适的变量，那我直接将这个度量tongue神经网络训练出来。就这样，网络随之诞生。
但是VAE采用一种精致的迂回的技巧。
VAE知识回顾：（相较于传统模型，指示加入噪声选型）
首先，我们有一批的数据样本{}，我们本来喜爱嗯得到关于分布，如果能够得到，那我直接根据进行采样，就可以得到可能的所有的X,这是一个终极的理性的生成模型，当然这个理性爱嗯很难实现。于是我们将这个分布进行修改：
这里我们不区分求和还是求得积分，如果这个模型还能够实现，那么我们就可以先从标准正太分布采样一个，然后根据计算一个X,也是一个很棒的模型。接下来结合自编吗来实现重新构建，保证有效信息没有丢失，再加上一系列的推导，最终将模型进行实现，个哦家的示意图是：