表示学习和自编码器（autoencoder）

对于许多机器学习任务来说，很难知道应该提取哪些特征，比如——想要写代码检测图片中的某一个器官，然而，这个器官会随着场景的变化有各种形态

因此提出了表示学习任务

表示学习：不仅要把表示映射到输出，还要使用机器学习来发掘表示本身。其学习到的表示往往比手动设计的表示表现更优，而且只需要最少的人工干预，就能让AI模型更好适应新的任务。通常需要较短时间就能为任务发现较好的数据集。手动设计特征需要耗费大量成本。

自编码器是表示学习的代表。

自编码器是由一个编码器函数和一个解码器函数组合而成。编码器函数将输入数据转换为一种不同的表示，而解码器函数则将这个新的表示转换为原来输入的形式。

设计自编码器的目的在于：使输入数据在经过编码器和解码器之后尽可能多地保留信息，同时希望新的表示有各种好的特性。

这种好的特性又可以被称为变差因素。这些因素通常不是能够被直接观察到的量，但是却是影响可观测的量。可以被看做是数据的概念或抽象。