理解auto-encoder自编码神经网络

      想象这样一个网络，输入是一组全部为一的向量，目标是一张人脸，经过好多好多轮的训练。我们只要输入这个全部唯一的向量就可以得到这张你熟悉的脸。其实这是因为在训练的过程中，我们通过不断地训练，网络已经将这张人脸图片的参数保存起来了。

     这个工作其实已经可以看出他的意义所在了，通过一个网络，将一个高维空间的人脸映射为低维空间的一个向量。那么如果我将这个向量定义为四维，采用one-hot的表达方式表达四张不同的脸，那么这个网络就可以表达四个脸，emm，你输入不同的数据，他就会输出不同的脸来。

       你也许会说，那这个几维向量又代表什么呢？如果每增加一个脸就要相应增加空间的维度，那么这个过程也就太不科学了吧。嗯，科学的是，以上只是我随手为了方便大家理解举的例子，其实，在实际应用中，这个维度往往代表的是决定最后成型的各个因素，大家往往称之为隐形因素，也就是在大量的博客推导中我们所看到的Z。在下面这个图中，我们通过六个因素来描述最终的人脸形状，而这些因素不同的值则代表了不同的特性。