自动编码器是无监视的神经网络模型，可以学习输入数据的隐含特征。 这称为编码(coding  )，可以利用同时学习到的新特征重构原始输入数据。 这被称为解码(decoding  )。 从直观上看，自动编码器可以用于特征降维，类似于主成分分析PCA，但性能比PCA高，是因为神经网络模型可以提取更有效的新特征。接下来，GUBOA编码器董工就跟大家详细探讨下自编码器的特点及应用。
   
     编码器：该部分可以将输入压缩为潜在的空间表示，可以用编码函数h=f(x  )表示。

     ：这个部分可以重构来自潜在空间表示的输入，可以用函数r=g(h  )表示。

     自编码器结构特点可以用函数g(f  ) x  ) )=r进行记述。 其中，输出r接近原始输入x。目前，自编码器的应用主要有两个方面，一是数据去噪，二是为可视化而降维。 通过设置适当的维和稀疏约束，自编码器可以学习比PCA等技术更有趣的数据投影。

     编码器可以根据数据样本进行无监视的学习。 也就是说，可以将该算法应用于数据集，获得良好的性能。 另外，不需要新的特征工程，只需要适当训练数据。自动编码器是神经网络的一种，经过训练后可以尝试将输入复制到输出上。 换言之，就是使输出的内容和输入的内容相同。 自动编码器的内部有隐式层h，可以生成编码来表示输入。 可认为该网络由一个编码器h=f(x  )和生成重构的r=g  ) h  )两部分组成。 最后使x等于约g(f  ) x  ) )。 网络不能设计为x=g(f  ) x  ) )。 理论上可以，但通常不做。自动编码器应该被设计成不能学习的拷贝，通过施加一些限制，自动编码器只能进行近似的拷贝。 由于它们可以学习数据的有用特性，因此自编码器根据约束而具有不同的属性。

     以上就是自编码器的特点及应用，更多有关于编码器的相关信息可以持续关注我们的网站或者，中山柏帝机电竭诚为您服务。