自编码器（AutoEncoder，AE）

0. 前言

输入数据可以采用多种形式，包括语音，文本，图像或视频。自编码器 (AutoEncoder, AE) 将尝试查找潜在表示形式，以便对输入数据执行有用的转换。例如，当对自编码器进行降噪时，神经网络将尝试找到可用于将噪声数据转换为干净数据。自编码器将自动从数据中自动学习，而无需人工标记，可以将自编码器归类为无监督学习算法。

1. 自编码器原理

自编码器会将输入分布编码为低维张量，通常采用向量形式，通常称为潜表示(或潜编码、潜向量)。该处理构成编码部分。然后，潜向量由解码器部分解码，以恢复原始输入。
由于潜向量是输入分布的低维压缩表示，因此应该期望解码器恢复的输出只能近似输入。输入和输出之间的差异可以通过损失函数来衡量。
为什么要使用自编码器？自编码器可以以原始形式或作为更复杂的神经网络的一部分来实际应用。它们是了解深度学习的高级主题的关键工具，因为它们提供了适合密度估计的低维数据表示。此外，可以有效地对其进行处理以对输入数据执行结构化操作。常见的操作包括去噪，着色，特征计算，检测，跟踪和分割。

• 编码器：将输入x转换为低维潜向量 z = f ( x ) z = f(x)