【自动编码器（Auto-Encoder，AE）】自动编码器是一种无监督学习方法，用于学习数据的有效编码，即从原始输入数据中提取出有意义的表示。它由两个主要部分组成：编码器（Encoder）和解码器（Decoder）。编码器将高维度数据压缩成低维度的编码表示，而解码器则尝试从编码表示重构原始输入数据。学习目标是通过最小化重构误差来优化模型。
【深度自编码器（Deep Auto-Encoder）】当自编码器的结构包含多层神经网络时，就形成了深度自编码器。这种结构可以捕获数据的更深层次语义，从而提供更抽象的表示。深度自编码器在处理复杂数据时表现更优，因为它们有能力学习到更复杂的特征结构。
【堆叠自编码器（Stacked Auto-Encoder，SAE）】堆叠自编码器是通过逐层训练多个浅层自编码器来构建的深层网络。训练第一个编码器和最后一个解码器形成一个浅层自编码器，然后使用其编码层的输出作为下一层的输入，继续训练下一层的编码器和解码器，如此递进，直至达到所需的深度。这种贪婪训练方法使得每一层都能够专注于学习特定层次的特征。
【欠完备自编码器（Undercomplete Auto-Encoder）】欠完备自编码器指的是编码器的输出维度小于输入数据的维度。这样，自编码器无法简单地复制输入，必须学习识别和保留输入数据的关键特征。当解码器是线性且损失函数为均方误差时，欠完备自编码器可以学到与主成分分析（PCA）相似的子空间，而在非线性情况下的自编码器则能学习到更强大的PCA推广。
【正则自编码器】为了迫使自编码器学习更有用的表示，可以引入正则化技术。比如，稀疏自编码器和降噪自编码器。
【稀疏自编码器（Sparse Auto-Encoder）】在中间隐藏层的维度大于输入样本维度的情况下，稀疏自编码器通过正则化损失函数强制编码层输出保持稀疏。这有助于学习数据的显著特征，适用于后续的分类等任务。
【降噪自编码器（Denoising Auto-Encoder）】降噪自编码器通过在输入数据中引入噪声来提高模型的鲁棒性。训练时，模型试图从损坏或带有噪声的数据中重构原始无损输入。这有助于学习数据的内在结构，即使在部分信息丢失的情况下也能恢复原始信息。
【自编码器的Encoder和Decoder对称性】早期的研究中，人们通常让编码器和解码器的结构对称，权重也相同。但这不是必需的。现在，自编码器的设计更灵活，可以采用不对称结构，如卷积自编码器中，编码器可能使用卷积层，而解码器可能使用反卷积层，或者在其他结构中进行创新设计，以适应特定任务的需求。捆绑权重（Tied Weight）策略是早期常见的做法，即编码器和解码器的权重矩阵共享，减少了模型参数，同时也起到了正则化的效果。然而，现代自编码器模型并不局限于这一约束。
评论0