一、期望（Expectation）
期望是对随机变量在分布下的"加权平均"。
离散情形：
连续情形（积分）：
在连续随机变量里：概率不是“点的值”，而是“密度函数”，所以期望会变成积分形式：
求平均 = 所有可能值 × 它出现的概率密度
积分和期望的关系：连续情形下，期望本质上就是一个积分。p(x)是权重（概率密度），f(x)是被加权的函数。
等价于
因为想要的p(z∣x)很难算，所以用q(z∣x)来近似它
二、VAE/Diffusion 中反复出现的核心公式
1. 边际化（Marginalization）
这是 VAE 最核心的困难之处——这个积分对所有 z 都是 intractable 的。
2. 贝叶斯公式
VAE 用一个神经网络来这个难以计算的后验 p(z∣x)：
这里编码器网络接收输入 x，输出两个值：
：隐变量的均值
：隐变量的标准差
ϕ就是这个网络的所有可学习参数，通过最大化 ELBO 来训练。
3. KL 散度
衡量两个分布"距离"的函数：
（z∼q：z服从q分布）
KL(q||p) = “用 q 作为权重，衡量 q 和 p 的差异”意思就是“如果数据是按照 q 分布出现的，
那 p 有多不匹配？”所以必须用q来采样（用 q 加权），不能用Ep，否则变成在模型生成的数据下评估误差。
展开就是：，ELBO 其实就是这个结构的变形！
，当且仅当 q=p时等于 0。
4. 蒙特卡洛估计（MC Estimation）
当积分无法解析计算时，用采样近似：
VAE 的重建项就是这样估计的（通常 N=1，因为batch 和多次迭代已经在平均了）。
原来的期望是
这是一个连续积分（这个期望本质上是一个高维积分，而积分里的函数形式又非常复杂），要对所有可能的 z 值加权求和——有无穷多个点。而蒙特卡洛估计只用了 N 离散的采样点：
用有限个离散样本替代了无穷连续的积分。
5.先验概率和后验概率
🟦 先验（prior）
👉 “今天会下雨的概率是多少？”（没看到地面之前的判断）
🟩 后验（posterior）
👉 “既然地是湿的，那下雨的概率是多少？”（看到结果之后更新判断）
