autoencoder，中文譯名自編碼器。主要用於特徵提取，可以理解為一種基於神經網路的壓縮、降維演算法，和pca等類似。自編碼器為一種有損壓縮演算法，通過壓縮（編碼）獲得資料等抽象特徵，並可以通過解壓縮（解碼），將抽象特徵盡可能地還原成原始資料。
因此，根據原ppt中對自編碼器「學習使用者高度抽象的特徵」這一描述，可以推測出在模型任務中，主要使用自編碼器對資料進行特徵提取。
自編碼器網路結構分為兩部分：編碼器和解碼器，在訓練時需要同時訓練編碼器和解碼器，在使用時可以根據實際需要，單獨執行編碼器或解碼器。自編碼器基本都基於神經網路實現，根據資料種類的不同，具體使用不同的網路結構。例如，對於使用「卷積-最大池化」交替的網路結構，對於普通的特徵向量，則一般使用全連線層。
例如，對於乙個維度為784維的特徵向量，使用如下網路結構構件自編碼器，**來自csdn部落格，使用keras框架：
input_img = input(shape=(784,))
encoded = dense(128, activation='relu')(input_img)
encoded = dense(64, activation='relu')(encoded)
decoded_input = dense(32, activation='relu')(encoded)
decoded = dense(64, activation='relu')(decoded_input)
decoded = dense(128, activation='relu')(decoded)
decoded = dense(784, activation='sigmoid')(encoded)
autoencoder = model(inputs=input_img, outputs=decoded)
由於編碼和解碼是乙個相對應的過程，所以訓練時必須同時進行。自編碼器網路的訓練思路如下：
1. 對於輸入資料，通過前文所述的網路結構進行計算，得到結果；
2. 將1中得到的結果和原始資料進行比較，得到損失；
3. 根據2中得到的損失優化網路；
4. 反覆迭代至收斂。
訓練完畢後，匯出模型，即可開始使用。使用時往往僅涉及到編碼，而不涉及解碼，此時可以通過在網路中匯出中間結果的方式，在使用時僅計算網路的前半部分，從而得到編碼結果。
此時得到的編碼結果即為高度抽象的使用者特徵。
自編碼器（AutoEncoder
本文講述自編碼器 auto encoder，下文簡稱ae 將按照以下的思路展開講解，力圖使得初學者能看懂其中要義。目錄如下 1.ae的基本原理 2.ae的用途 3.基於mnist資料集的ae的簡單python實現 ae，是神經網路模型的一種，是一種全連線網路模型，而且進行無監督學習，下圖是簡單的ae...
了解自編碼器
1.什麼是自編碼器？自動編碼器是一種無監督的機器學習演算法，該演算法將影象作為輸入並使用較少的位數來重建它。這聽起來像是影象壓縮，但是自動編碼器和通用影象壓縮演算法之間的最大區別在於，在自動編碼器的情況下，壓縮是通過學習訓練資料集來實現的。當影象類似於所使用的訓練集時，雖然可以實現合理的壓縮，但是自...
自編碼器（AutoEncoder）
自編碼器主要分為兩步 編碼 encoder 和解碼 decoder 編碼階段主要是將輸入資訊對映到低維度的空間 提取有用的特徵 解碼階段主要是為了還原輸入的結果。其中損失函式l用於度量輸出資訊與輸入資訊偏離的程度 正則自編碼器是在損失函式中加入對模型複雜度的懲罰項 根據損失函式的不同，自編碼器可以分...