Auto Encoder（自编码器）
- Self Supervised Learning（自监督学习）：用没有标注的资料训练模型，发明不需要标注资料上的任务，例如：做填空题、预测下一个token（符号）；在BERT和GPT之前，有一种方法就是Auto Encoder
- Auto Encoder（自编码器）：也是一种用没有标注的资料训练的模型
Auto Encoder运作方式：
其中包括两个Network，分别是Encoder和Decoder，Encoder把图片转换为一个vector（向量），Encoder就是Dimension reduction（降维），Decoder再把生成的向量转化为图片，要求与原图片越接近越好，所以Decoder的架构像GAN中Generator，（Auto Encoder的概念和Cycle GAN的概念一模一样），有些人把Vector当成Code
降维的技术还有PCA、t-SNE；
- De-Noising Auto Encoder：输入Encoder的图片加入一些杂讯
所以BERT的过程就像De-Noising Auto Encoder：输入时遮盖部分内容就是添加杂讯，BERT输出向量就像Encoder，根据输出向量输出结果时就是Decoder：
Feature Disentanglement（功能解开纠缠）
- Feature Disentanglement：把原来纠缠在一起时的东西解开
引入：
- 把图片、一段声音或文章丢进Encoder，得出一个向量，而输入的全部资讯都混杂在这个向量中；现在需要把这些资讯清晰的分开
如：输入一段声音，普通的Auto Encoder输出的向量不知道内容在多少维度、说话人的特征在多少维，所以想办法训练一个模型Auto Encoder，使得出的向量前k维度代表说话的内容、后k维代表说话人的特征，这个过程就是Feature Disentanglement
应用：
- voice Conversion（声音转换）
变声器，在过去，需要A和B两个人所同样的话得到训练资料；在出现Feature Disentanglement之后不需要A和B说同样的话，甚至不需要说同一种语言，都可能转换，只需要训练出Feature Disentanglement，把向量中两个人的声音内容部分保留，交换声音特征，便可以将声音转换
Discrete Latent Representation（离散潜在表征）
引入：
- 输入一张图片，让Encoder输出的向量为二进制向量，任意维代表图片中的特征的有无，如：第一维代表是女生，第三维代表是否戴眼镜
如：Encoder输入一段文字，输出向量，再传入Decoder输出原文章，现在将Encoder输出向量改成输出另一段文字（文章的摘要）
事实证明行不通，因为Encoder输出的文字人看不懂；需要再用GAN的概念加入Discriminator，因为Discriminator看过人写的句子，所以Encoder输出的句子要“骗”过Discriminator，就需要输出人能看懂的句子
注：并且每一个Decoder都是Generator。
Encoder就是一个压缩的过程，Decoder 就是一个解压缩的过程；并且这个压缩是有损压缩