为什么我们需要自动编码器？

最近，我一直在研究自动编码器。如果我理解正确，那么自动编码器就是一个神经网络，其中输入层与输出层相同。因此，神经网络尝试使用输入作为黄金标准来预测输出。

此模型的用处是什么？尝试重构某些输出元素，使其尽可能与输入元素相等，会有什么好处？为什么要使用所有这些机器来达到相同的起点？

自动编码器具有输入层，隐藏层和输出层。输入被强制与输出相同，因此它是我们感兴趣的隐藏层。

隐藏层形成输入的一种编码。“自动编码器的目的是学习一组数据的压缩的分布式表示（编码）。” 如果输入是100维向量，并且隐藏层中有60个神经元，则自动编码器算法会将输入复制为100维向量在输出层中，在此过程中，您会得到一个60维向量来对输入进行编码。

因此，自动编码器的目的是减少尺寸等。

它还可以对总体建模，以便在输入新向量时可以检查输入的输出有多大差异。如果它们“相当”相同，则可以假定输入与总体匹配。如果它们“完全”不同，则输入可能不属于您建模的总体。

我将其视为一种“神经网络回归”，其中您尝试使用一个描述数据的函数：其输出与输入相同。

也许这些图片给你一些直觉。正如上面的评论者所述，自动编码器尝试从训练示例中提取一些高级功能。您可能会看到如何使用预测算法分别训练第二张图片上的深层NN的每个隐藏级别。

图片取自俄罗斯维基百科。