背景：我试图了解变分自动编码器作为生成器的使用。我的理解：

• 在训练期间，对于一个输入点$x_i$我们想学习潜在的$\mu_i$和$\sigma_i$然后采样$z_i \sim N(\mu_i, \sigma_i)$并将其馈送到解码器以进行重建$\hat{x}_i = \text{decode}(z_i)$.
• 但是我们不能用采样算子做反向传播，所以我们重新参数化并使用$z_i = \mu_i + \sigma_i \epsilon$在哪里$\epsilon \sim N(0, 1)$. 我们的重建变成$\hat{x}_i = \text{decode}(\mu_i + \sigma_i \epsilon)$.

但是，当我们完成训练并准备将其用作生成器时，我们会采样$z \sim N(0, 1)$并将其提供给解码器：$x_{sample} = \text{decode}(z)$.

让我困惑的部分是，在训练期间，解码操作是使用$\mu_i + \sigma_i \epsilon$据我了解，这是使用$N(\mu_i, \sigma_i)$与不同$\mu_i$和$\sigma_i$对于每个训练示例。然而，在生成期间，解码操作（有效地）在$\epsilon$独自从$N(0, 1)$. 我们为什么要设置$\mu = 0$和$\sigma = 1$在生成期间（即使用$z = 0 + 1 \cdot \epsilon$)?