目前对自编码器的理解
输入样本，经过隐藏层后输出同样的东西，实际上是将输入编码为了隐藏层的参数，使得隐藏层的参数和样本能够一一对应
即通过自编码器的不断学习，将样本一一编码至隐藏层向量中
目前对VAE的理解
VAE中，一个样本对应的不再是一个隐藏层参数向量，而是向量的分布（通常我们假设为正态分布……可能是因为好算？）
每个样本对应一个自己单独的向量分布
训练的时候在这个分布中采样计算loss梯度
KL散度是为了保持分布的方差$\sigma$不会趋于零（正则项，使得模型更具有泛化性），而正常loss项则是保持分布的均值$\mu$向应该在的位置靠拢，二者共同作用以训练分布）
（所以之前以为loss中KL散度是为了让隐变量z服从正态分布的想法不是那么准确，虽然z在这种情况下能推出z确实是正态分布（这也是为什么我们可以依靠随机采样正态分布作为z的依据））
之所以对应$\sigma^2$参数算出的代表为$log \sigma^2$是因为$\sigma^2$恒为正，但是网络输出可能为负数，但是取对数后可正可负，就不用特殊处理负数情况了。