Focusing on your own Mind :) －> 站在巨人的肩膀上

转完上面三篇来进行总结一下：其实自动编码器相当于构建一个神经网络让其自己学自己。在学习的过程中，其实是相当于无监督的。因为其source和target图其实就是自己。那么过程中，通过多层神经网络，最终就会选择编码到一个维度的张量，那么这个张量其实就是类似与白化，pca出来的一个代表这抽象维度稀疏性的重要组成。其实目前，我们所有用的卷积神经网络在GAN中既是如上结构的en

如果给定一个神经网络，我们假设其输出与输入是相同的，然后训练调整其参数，得到每一层中的权重。自然地，我们就得到了输入I的几种不同表示（每一层代表一种表示），这些表示就是特征。自动编码器就是一种尽可能复现输入信号的神经网络。为了实现这种复现，自动编码器就必须捕捉可以代表输入数据的最重要的因素，就像PCA那样，找到可以代表原信息的主要成分。具体过程简单的说明如下：1）给定无标签数据，用

Image以下将分为4个部分介绍:ae基本概念ae训练方式ae特征如何做分类ae变体1)先来理解autoencoder的基本概念:自动编码器其实可以理解为是一种尽可能复现输入信号的神经网络,也可以认为自动编码器是可以像pca那样找到可以表征信息的主要成分,只不过这个过程是通过学习得到的.Encoder的过程,按照理论上来说这个code其实就是包含了事物丰富的表征信息,而decoder则是负责解释和翻译这个表征.所以a/e可以分开训练.2)再来看autoencoder的两种训练方式:

reference: http://blog.youkuaiyun.com/jackytintin/article/details/53641885近年，随着有监督学习的低枝果实被采摘的所剩无几，无监督学习成为了研究热点。VAE（Variational Auto-Encoder，变分自编码器）[1,2] 和 GAN（Generative Adversarial Networks） 等模型，受到越来越多的关

以下将分为4个部分介绍:ae基本概念ae训练方式ae特征如何做分类ae变体1)先来理解autoencoder的基本概念:自动编码器其实可以理解为是一种尽可能复现输入信号的神经网络,也可以认为自动编码器是可以像pca那样找到可以表征信息的主要成分,只不过这个过程是通过学习得到的.Encoder的过程,按照理论上来说这个code其实就是包含了事物丰富的表征信息,

1）autoencoderautoencoder是一种无监督的学习算法，他利用反向传播算法，让目标值等于输入值。如图所示：Autoencoder尝试学习一个  的函数。也就是说autoencoder尝试逼近一个恒等函数，使得输出接近于输入 。当然为了使这个函数有意义，需要加入一些限制条件（比如说限制隐藏神经元的数目），就可以发现一些有意义的结构。Autoencoder可以学习到

以下将分为6个部分介绍:vae结构框架vae与ae区别提及一下为什么要采样如何优化vae应用vae生成/抽象看待vae学习1.框架:先来看一下VAE的结构框架,并先预告一下结论: VAE 包括 encoder （模块 1）和 decoder（模块 4） 两个神经网络。两者通过模块 2、3 连接成一个大网络。利益于 reparemeterization 技巧，我们可以