栈式自编码在深度学习中的意义

1.每一层都可以单独训练，保证降维特征的可控性。
2.对于高维度的分类问题，因为节点太多，参数太多，一味地增加深度只会使结果越来越不可控，成为彻底的黑盒，而使用栈式自编码逐层降维，可以将复杂问题简单化，更容易完成任务。
3.任意深层，理论上是越深层的神经网络对现实的拟合度越高，但是传统的多层神经网络，由于使用的是误差反向传播方式，导致层越深，传播的误差越小。栈式自编码巧妙地绕过这个问题，直接使用降维后的特征值进行二次训练，可以任意层数的加深。
4.栈式自编码可以将神经网络模块化，便于分工，非常适合团队合作。
在任何一个多维数据的分类中也可以用自编码，或在大型图片文类任务中，卷积池化后的特征数据进行自编码降维也是一个好方法。
本文来自《深度学习之TensorFlow：入门、原理与进阶实战》总结。