简介
自编码器是一种无监督的神经网络模型，其核心作用是学习到输入数据的深层表示。主要应用在两方面：一是特征提取；二是非线性降维，用于高维数据的可视化，与流行学习关系密切。
本节主要介绍几种常见的自编码器及其变种网络。
1、自编码器（AutoEncoder,AE）
20世纪80年代提出，原始的AE网络是一个三层的前馈型神经网络，包括输入层、隐含层、输出层
输入层：x={x1,x2,……xi,……xn}
隐含层：h={h1,h2,……,hi,……hm}
输出层：x^={x1^,x2^,……,xi^……,xn^} 输出层的神经元个数必须和输入层神经元个数相同
整个AE有下面两个操作构成：
输入层到隐含层的编码过程：
h(x)=f(wTx+b)
隐含层到输出层的解码过程：如果w*=wT,成为tied weights
x^=f((w*)Th(x)+c)
AE是一个无监督网络，其学习目的就是将输入层的数据x通过转换得到其隐含层的表示h(x)，然后由隐含层重构，还原出接近原始数据的抽象的表示x^。由此，得到构建AE的损失函数：对于二值神经网络，也就是输入层的数据非0即1，那么损失函数通常由交叉熵来表示：
若输入神经元是任意实数，则通常用均方误差来定义损失函数：
利用梯度下降法等优化方法求得w,b,c。
隐含层设计方式有两种：
1）隐含层神经元个数小于输出层神经元个数时，称为undercomplete。这种设计方式使得输入层到隐含层的变换本质上是一种降维操作。网络试图以更小的维度来表示原始数据而又不损失信息，从而得到输入层的压缩信息。当隐含层的激活函数采用线性激活函数时，自编码器也称为线性自编码器，其效果等同于PCA（主成分分析）降维。
2）隐含层神经元个数大于输出层神经元个数时，称为overcomplete。这种设计方式一般用于稀疏编码器，可以获得稀疏的特征表示，也就是隐含层中有大量的神经元值为0.
2、降噪自编码器（Denoising AutoEncoder,DAE）
当输入层含有噪声时，输入数据无法体现出原始数据的正确分布情况，那么输出层的结果肯定也包含噪声，为了避免噪声的影响，在输入层x之后又加了一层去噪声的隐含层x`，所以DAE是一个四层的自编码器结构。
去噪声的隐含层设计方法有很多，列如mask noise。设置一个噪音阈值p，0
3、栈式自编码器（Stacked AutoEncoder,SAE）
将多个自编码器叠加，利用上一层的隐含层表示作为下一层的输入，得到更抽象的表示。即x->h1->h2->……hi->……->x^
SAE的一个很重要的应用就是初始化网络权重参数，以提高训练收敛速度和减缓梯度消失。对于有监督学习来说，主要从以下两个阶段作用于网络。
1）逐层预训练
逐层预训练是指通过自编码器来训练每一层的参数，作为神经网络的初始化参数。
2）微调
通过上一步预训练得到的权重来初始化网络，接下来通过梯度下降法最优化损失函数迭代网络获得最优参数。
4、稀疏编码器（Sparse Coding）
稀疏编码器是自编码器的变种网络，能够学习到输入数据的稀疏特征表示，因此被广泛用于无监督的特征提取学习中。
数学表示：稀疏编码器和自编码器一样都是三层网络结构，对于任意的输入数据x,期望模型都能得到隐含层的表示h和输出层的表示x^，且x、h、x^满足下列两个性质：
1）隐含层向量是稀疏的，即隐含层中有尽可能多的0值
2）输出层数据能尽可能还原输入数据