1、自编码器：降维【无监督学习】
PCA简介：【线性】原矩阵乘以过渡矩阵W获得新的矩阵，原矩阵和新矩阵是一样的东西，只是经过W换基。html
自编码：网络
自动编码器是一种无监督的神经网络模型，它能够学习到输入数据的隐含特征，这称为编码(coding)，同时用学习到的新特征能够重构出原始输入数据，称之为解码(decoding)。从直观上来看，自动编码器能够用于特征降维，相似主成分分析PCA，可是其相比PCA其性能更强，这是因为神经网络模型能够提取更有效的新特征。除了进行特征降维，自动编码器学习到的新特征能够送入有监督学习模型中，因此自动编码器能够起到特征提取器的做用。做为无监督学习模型，自动编码器还能够用于生成与训练样本不一样的新数据，这样自动编码器（变分自动编码器，VariationalAutoencoders）就是生成式模型。
post
类型：堆栈自动编码器(StackedAutoencoder)、去噪自动编码器(DenoisingAutoencoder)，稀疏自动编码器(SparseAutoencoder)以及变分自动编码器。性能
自编码和PCA的区别：学习
因为神经网络可以学习非线性关系，所以能够认为这是PCA更有力（非线性）的泛化。而PCA试图发现描述原始数据的低维超平面，自编码器则可以学习非线性流形（流形为连续的非交叉的曲面）。这两种方法之间的区别以下图所示。编码
自编码还原的结果比PCA清晰。code
而二者的重点是要拿到比较好的30维code。htm
2、降噪自编码【加噪声】
3、CNN、DNN、RBM、DBN来实现自编码：