莫烦视频笔记--什么是自编码（Autoencoder）？神经网络的非监督学习

自编码是一种神经网络形式，可以这样理解：有一个神经网络，它要做的是接收一张图片，然后给它打码，最后再从打码后的图片还原，太抽象了，再具体一点。

假设刚刚的神经网络是这样，对应上刚才的图片，我们可以看出图片是经过了压缩再解压的这一套工序。当压缩的时候，原有的图片质量被缩减，解压的时候，用信息量小、却包含了所有关键信息的文件恢复出原有图片。

为什么要这样做呢？有时神经网络要接受大量的输入信息，比如输入信息是高清图片的时候，输入信息量可以达到上千万，让神经网络直接从上千万个神经元学习是一件非常吃力的工作，所以何不压缩一下呢，提取中原图片中最具代表性的信息，压缩输入的信息量，再把缩减过后的信息放入神经网络中学习，这样学习起来就变得轻松了，所以自编码就能在这个时候发挥作用。

通过将原数据白色的X压缩解压成色的X，然后通过对比黑白X求出预测误差，进行反向传递，逐步的提升自编码的准确性，训练好的自编码也就是中间的这一部分能够总结出原数据的精髓。可以看出，从头到尾，我们只用到了输入信息X，并没有用到输入X对应的标签，也可以说自编码是一种非监督学习。但是真正使用自编码的时候，通常只会用到自编码的前半部分，这个部分也叫做encode编码器，编码器能得到原数据的精髓，然后我们只需要再创建一个小的神经网络学习这个精髓的数据，不仅能减少神经网络的负担，同样能达到很好的效果。

这是一个通过自编码整理出来的数据，它能从原数据中总结出来每种类型数据的特征。如果把这些特征类型都放在一张二维的图片上，每种类型都已经被很好的用原数据的精髓区分出来，如果你了解PCA主成分分析在提取主要特征时，自编码和它一样甚至超越了PCA，换句话来说，自编码像PCA一样，给特征属性降维。