先验分布：

未训练前对数据分布的假设

后验分布：

基于未训练前的假设+训练数据

想象有 A、B、C 三个不透明的碗倒扣在桌面上，已知其中有且仅有一个瓷碗下面盖住一个鸡蛋。此时请问，鸡蛋在 A 碗下面的概率是多少？应该是1/3。现在发生一件事：有人揭开了 C 碗，发现 C 碗下面没有蛋。此时再问内：鸡蛋在 A 碗下面的概率是多少？应该是1/2。注意，由于有“揭开C碗发现鸡蛋不在C碗下面”这个新情况，对于“鸡蛋在 A 碗下面”这件事的主观概率由原来的 1/3 上升到了1/2。这里的先验概率就是 1/3，后验概率是 1/2，也就是说“先”和“后”是相对于引起主观概率变化的那个新情况而言的

期望构建一个变量Z服从正态分布，有一个生成器G，G(Z)得到的分布和原数据集的分布一致
假设我们有数据，希望得到X的分布p(X)，而X本身很复杂，无法得到分布表达式，我们需要先把X的分布转换到Z的分布（可学习），再从Z的分布回到X的分布

其中p(X|Z)是根据生成器生成出来的数据的分布，而

我们假设Z的后验p(Z|X)服从正态分布，然后从数据中训练得到p(Z|X)的均值和方差

计算KL散度作为loss，假设每个维度相互独立

而

vae损失函数