1.infoGAN
通常，我们学到的特征是混杂在一起的，如上图所示，这些特征在数据空间中以一种复杂的无序的方式进行编码，但是如果这些特征是可分解的，那么这些特征将具有更强的可解释性，我们将更容易的利用这些特征进行编码。所以，我们将如何通过非监督的学习方式获取这些可分解的特征呢？
前人也通过很多监督非监督的方法学习可分解的特征。在这篇paper中，非监督学习通过使用连续的和离散的隐含因子来学习可分解的特征。
2.特征解耦
实际情况中的特征是非常杂乱无章的，然后我们希望的特征关系是比较整齐明了的，具体哪一列表示什么很清晰，从而便于控制它。而infogan的目的就是将这些杂乱无章的特征清晰化规律化。
特征解耦举例:
我们可以找到某一个控制某个特征对应的神经元，然后去改变它的值进而就可以改变具体某个特征。
3.x.detach()摘自Pytorch中x.data()与x.detach()的区别
阻断梯度回传.
x.data()或x.detach()均会返回与x相同数据的Tensor，并且这个Tensor与原来的Tensor共用内存，一者改变，另一者也会跟着改变，并且新的tensor的requires_grad = False
实例：
class TestDetach(nn.Module):
def __init__(self, InDim, HiddenDim, OutDim):
super().__init__()
self.layer1 = nn.Linear(InDim, HiddenDim, False)
self.layer2 = nn.Linear(HiddenDim, OutDim, False)
def forward(self, x, DetachLayer1):
x = torch.relu(self.layer1(x))
x = x.detach()
# x = x.data()
x = self.layer2(x)
return x
两层线性层，第一层的输出后detach,那么第一层的参数永远不会更新
4.torch.cumprod()
cumulative product的意思，即累积乘
实例：
import torch
x = torch.Tensor([1, 2, 3, 4, 5])
y = torch.cumprod(x, dim = 0)
print(y)
tensor([ 1., 2., 6., 24., 120.])
5np.random.seed(0)可以产生相同的随机数。
这是一个没有返回值的函数，用来初始化随机数函数。seed()括号里面可以加入一个参数，这个参数会是生成随机数的依据，如果不添加参数的话，依据是系统时间，如果参数不改变，那么随机数的生成将会一致，方便复现实验。
也就是说如果我们使用seed（x），只要x不改变，那么这个random序列永远不会变。
每次调用都需要seed(0)一下，表示种子相同
实例：
import numpy as np
np.random.seed(0)
x = np.random.randn(2,2)
np.random.seed(0)
y = np.random.randn(2,2)
print(x)
print(y)
[[1.76405235 0.40015721]
[0.97873798 2.2408932 ]]
[[1.76405235 0.40015721]
[0.97873798 2.2408932 ]]
import numpy as np
np.random.seed(1)
x = np.random.randn(2,2)
np.random.seed(0)
y = np.random.randn(2,2)
np.random.seed(1)# z同x
z = np.random.randn(2,2)
print(x)
print(y)
print(z)
[[ 1.62434536 -0.61175641]
[-0.52817175 -1.07296862]]
[[1.76405235 0.40015721]
[0.97873798 2.2408932 ]]
[[ 1.62434536 -0.61175641]
[-0.52817175 -1.07296862]]
6.plt.scatter用法
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(0)
x = np.random.rand(20)#x坐标
y = np.random.rand(20)#y坐标
colors = np.random.rand(20)
area = (50 * np.random.rand(20)) ** 2#面积
print("area",area)
plt.scatter(x, y, s=area, c=colors, alpha=0.5)
plt.show()
