一 前言
1.1 Creation
据说在费曼死后，人们在他生前的黑板上拍到如图画片，在左上角有道：What i cannot create ,I do not understand. Generative models，就是在做创造的事情。
1.2 Image Processing
二 Generative Models
这是目前的主要方法。
2.1 PixelRNN
每次生成一个像素，用这样的方法，没有任何注释可以训练就有一大堆图像，效果还不错。下边是某一个实例：
2.2 Variational Autoencoder (VAE)
回忆Auto-encoder方法，如果随机生成一个向量code输出一张图片就是在create了，但是发现这样做的performance并不很好，而Variational Autoencoder会好很多。
VAE结构与Auto-encoder很像
需要minimize两处。 VAE，能通过code来控制产生的结果。 比如我们固定住8维，改变其中的两维向量，看他们生成的图像变化趋势，从而得到当前维度控制结果产生的规律。
效果： 如下图，右上角站立，左下角平躺。
也可以让VAE write poetry：
Why VAE?-->用VAE，从code space上去sample一个code，能得到一个比较好的image，而auto encoder可能得不到。
将code加上了noise，而variance决定了noise的大小，variance是train出来的。variance要做一些限制，否则就会是0，所以就要用Minimize。
以上是直观的解释，那么回到我们要解决的问题，即Estimate the probability distribution
那么怎么来Estimate the probability distribution呢？可以用Gaussion Mixtrue Model 。怎样从Gaussian Mixture Model 里sample一个data呢？ 首先有一个multinomial distribution，先决定sample 其中的哪一个Gaussian，用m表示。有了m，就可以找到μ和Σ，然后可以sample出一个x。
也就是说每一个你生成的x并不属于某一个class或cluster，而是它有一个vector来描述他所描述的不同对象的特性，所以，VAE其实就是Gaussian Mixture Model的distribute representation的版本。 先sample一个 z ，假设μ 和 σ都分别来自函数μ(z) 和 σ(z)，在z的space里，每一个点都有可能被sample到，只是可能性有大小m，z上的每一个点都可能被sample到并对应着无穷多个gaussian，那么function该怎么找呢？那么可以说NN就是function，训练出这个NN就ok啦。
对gaussian的假设是很随意的，因为NN都能被训练适应。现在手上已经有了一批image x，maximize已有image的L。
上面的NN其实就是decoder，下面的是encoder。那么那么logP(x)怎么求呢？
思想就是，likelihood = KL+Lb，logP(x)只与log(x|z)有关，无论q怎么调，图中的上线是不会变的。这时假如固定住p，调q是会使Lb一直上升，最后likelihood会和Lb非常接近，而再继续下去likelihood也会随之变大。
conditional VAE
Problem of VAE
2.3 Generative Adversarial Network (GAN)
Yann LeCun’s comment的评价：
GAN的概念，有点像拟态的演化。
The evolution of generation，Generator演化（蝴蝶），Discriminator也跟着演化（天敌）。 需要注意的是，generator从来没有看过真正的image，它要做的就是努力骗过看过真正image的discriminator。所以generator才能产生出database中没过的image。
GAN - Discriminator
GAN - Generator
Fix the discriminator，然后去调generator的参数。
实例：GAN – Toy Example
Moving on the code space
先随机sample五个vector，然后向该方向moving，会发生很神奇的事情，比如窗变成电视，电视变成窗户。
In practical
参考：
http://speech.ee.ntu.edu.tw/~tlkagk/courses/ML_2016/Lecture/VAE%20%28v5%29.pdf
https://blog.csdn.net/soulmeetliang/article/details/77461607
