1.自编码器网络
自动编码器是一种无监督 的数据维度压缩 和数据特征表达方法。
无监督
在海量数据的场景下，使用无监督的学习方法比有监督的学习方法更省力。
维度上的压缩
自编码网络可以根据输入的数据，对其进行表征学习。输入数据转换到隐藏层code时，隐藏层code的神经元数目低于输入层神经元，由于使用了更少的神经元表示了原数据，所以可以对数据进行降维。
数据特征表达方法
通过上图中的decoder解码器输出的就是经过处理的数据特征，自编码器的目的就是让输出能够在数据特征的角度上表示输入。
自编码器原理
我们希望神经网络能够学习到映射 𝒙 → 𝒙~
把网络切分为两个部分，前面的子网络尝试学习映射关系:: 𝒙 → 𝒛，后面的子网络尝试学习映射关系: 𝒛 → 𝒙。 把看成一个数据编码(Encode)的过程，把高维度的输入𝒙编码成低维度的隐变量𝒛(Latent Variable，或隐藏变量)，称为 Encoder 网络(编码器)； 看成数据解码(Decode)的过程，把编码过后的输入𝒛解码为高维度的𝒙， 称为 Decoder 网络(解码器)
2.能做什么?
自编码器具有一般意义上表征学习算法的功能，被应用于降维（dimensionality reduction）和异常值检测（anomaly detection） 。包含卷积层构筑的自编码器可被应用于计算机视觉问题，包括图像降噪（image denoising） 、神经风格迁移（neural style transfer）等 。
图像降噪
如图所示，自编码网络会在encode过程中提取原图片中的关键数据特征，并在decode过程中进行修复。
异常检测
todo
3.怎么实现？
java体系下有deeplearning4j库可以实现深度学习的相关算法