Auto-Encoder

视频链接：第八节 2021 - 自编码器 (Auto-encoder) (上) – 基本概念_哔哩哔哩_bilibili

参考博客：【机器学习】李宏毅——AE自编码器(Auto-encoder)_FavoriteStar的博客-CSDN博客

自监督学习

• 自监督学习需要采用大量未标注的信息去训练一个模型
• 我们需要发现一些不需要标注的任务来进行学习，这个不用标注的任务叫做self-supervised Learning 或者Pre-trainning。Auto-encoder也是其中的一种古老的任务。
• 我们可以将模型进行微调用到下游的任务中。

与encoder-decoder的区别

auto-encoder本身是个固定的方法，但是他提供了一种编码-解码的思路，世人可以沿用这个思路和框架去研究新的方法。

encoder-decoder是一个框架，框架中有很多模块，可以引入attention机制作为一个模块形成一中方法。其中encoder是用来特征编码，decoder是将特征解码出我们需要的输出，中间为了提升性能可以增加各种模块。 

Auto-encoder

 Auto-encoder 具有两个神经网络 ，分别为 Encoder和Decoder。

• encoder将原始的数据转换为一个向量（又可以称为编码，embedding）
• decoder将向量还原成原始的数据

编码就是将输入的序列转换成一个固定长度的向量，解码是将之前生成的向量转换为输出序列。

我们希望输出的图像和输出的图片两者越接近越好。

由于图片的变化是有限的，不是所有的变化都是图片。如果encoder能找到复杂输入中所有有限的变化，我们就能将原始问题简化。在下游任务中也能用较少的训练资料获得更好的结果。

 De-noising Auto-encoder 和 Bert之间的关系

•  De-noising Auto-encoder中的 Encoder的输入并不是原始的图像，而是将图像加上一定的噪声之后再作为Encoder的输入，而在输出的时候是要求Decoder输出能够与未加噪声之前的图像越接近越好。
• Bert如图所示也采用了Mask方法，所以两者有相似之处。

应用可以看参考博客。

对encoder-decoder不了解的可以参考博客Encoder-Decoder 模型架构详解__Summer tree的博客-CSDN博客