概念
自编码器(Autoencoder)是一种神经网络架构,用于无监督学习和数据的降维表示。它由两部分组成:编码器(Encoder)和解码器(Decoder)。
结构:
- 编码器(Encoder): 接收输入数据并将其压缩为潜在表示(latent representation),通常比输入数据的维度要低。编码器的任务是学习提取输入数据的有效特征。
- 解码器(Decoder): 接收编码器生成的潜在表示,并尝试将其解码为原始的输入数据。解码器的目标是重构尽可能接近输入数据的输出。
工作原理:
- 训练阶段: 自编码器通过最小化输入数据与重构数据之间的差异来学习。它尝试最小化重建误差(reconstruction error)。
- 特征提取: 编码器学习了数据的紧凑表示形式,可以用作特征提取器,有助于数据的降维、去噪或其他任务。
类型:
- 标准自编码器(Vanilla Autoencoder): 最简单的形式,编码器和解码器通常是对称的全连接层。