个人学习总结，持续更新中……

参考文献

[1] 快速理解深度学习中的latent code潜在编码

1. 什么是潜在编码？

潜在编码就是一种降维或者说是压缩，旨在用更少的信息去表达数据的本质[1]。

上图是一个简单的encoder-decoder架构，最细的地方称为瓶颈。压缩一般都是有损的，但如果损失的是噪声或者是无用信息，而保留下来的是最本质的特征，那么这正是我们想要实现的目标。通过encoder压缩之后，更重要的是恢复，即Decoder，如果Decoder成功，那么我们就可以认为这个latent space representation提取input image中最关键的信息（本质特征）。

2.什么是潜在空间？

潜在空间和潜在编码是一个意思，编码 >>> 空间 是符合直觉的，例如3x1的编码就可以画成三维空间的一个点。

3.同类潜在编码的相似性

首先定义什么是同类，椅子和椅子是同类，狗和狗是同类。如图所示，如果使用完整的3D表征去表示A椅子和B椅子，那么他们之间是不会接近的，一眼就可以看出来一个黄色一个黑色，朝向也不同。但，如果把一些"个性化的特征"去掉，仅保留一类的特征，那么它们在潜在空间中的点是非常非常接近的，例如把颜色去掉。在空间中想象，A椅子和B椅子此时会很接近，我们就认为很相似。

4.潜在编码的应用

那么，我们如果完美的得到一个东西的潜在表征，即latent code(也可以叫latent space or latent space representation)，我们可以利用它做什么？

4.1 Antoencoders

自编码器，顾名思义，自己给自己编码，可以发现本网络输出和输入都是一个东西，latent coder 通过Decoder恢复成了自己。具体的实施就更简单了，只需要把输出与输入做相似度损失，然后反向传播，慢慢地就像了。

4.2 Generative models

同类在空间中是相近的，例如两把椅子的向量为[0.1,0.1]和[0.12,0.12]，把这两个喂入网络中，生成的当然是椅子，那如果输入[0.11,0.11]呢？当然也是椅子，这就是插值。下图展示了插值的效果，可以看到同类周围插值就相似但有微小区别的。最简单的应用就是把它当成一种数据增强去扩大数据集。

下图为两把椅子之间进行线性插值的效果图。

5.结论

潜在空间可以用少量的数据表示某一个（类）信息，在3D表示等领域中也有更为具体的应用。