无监督学习中，所有的数据都没有打label，就是没有对比的目标了。但是其实不是没有目标了，在Auto-Encoders的过程里，它的目标就是他自己，如下图，他这个就相当于一个卷积层，和CNN的区别就在于，它的输出层=输入层（784=784），因为他要重建它自己，而CNN的输出层是类数，为了分类。另一个区别就是：Auto-Ecoders的中间有一个neck，它可以升维，也可以降维。
还有一个问题是Auto-Ecoders如何去训练
一般来说是loss function可求导的情况就可以进行训练工作。
在发现Auto-Ecoders之前，都是在用PCA的方法降维。
（1）PCA是一种线性的变换，有本身的局限性，因为分类的数据的形态，一般都是非线性的
效果如下图：
人脸的图片，下面一行是PCA
下面推出一些Auto-Ecoders的一些变种。
后边这部分可以理解为，p和q相差越大时，这个值越大，pq越重叠，这个值越小。
但是此时还少一步，
Auto-Ecoders（AE） vs VAE
下面的人脸也是VAE识别到的，并且还自动加了背景虚化。
但是这些东西，和GAN比起来，差太多了
1277
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
