你想把一張圖片壓縮後再還原，模型能不能自己學怎麼壓？ 你可以把自編碼器想成先壓縮、再重建的神經網路，它學的是資料的濃縮表示。 它常用來做降維、異常偵測與特徵學習。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
自編碼器 vs 分類模型？ 自編碼器：輸入什麼就盡量重建什麼 分類模型：輸入後輸出類別標籤 最關鍵的區別：前者學重建，後者學分類
自編碼器 vs PCA？ 自編碼器：神經網路版壓縮器 PCA：線性降維方法 最關鍵的區別：PCA 是線性、自編碼器可以學非線性表示
自編碼器 vs 變分自編碼器？ 自編碼器：只靠重建誤差學表徵 變分自編碼器：把潛在空間變成機率式生成模型 最關鍵的區別：VAE 不只重建，還強調可生成性
記住這句就好
先壓縮再還原，逼模型學資料的重點
實際案例
異常偵測 模型只學正常交易的重建方式，當奇怪資料進來時重建誤差變大，就能抓出異常
去雜訊圖片 帶雜訊的照片進去後，模型學會還原乾淨版本，適合影像前處理
算法與應用
重點 你要看什麼 為什麼重要 編碼器 把輸入壓成低維表示 保留關鍵資訊 瓶頸層 最小表示空間 逼模型不能死背 解碼器 把表示重建回輸入 檢查學到的表示是否有用
情境判斷
Q1：如果自編碼器對正常資料重建很好，對異常資料重建很差，這代表什麼？ → 代表它學到了正常模式，異常樣本因為不符合規律而難以重建
Q2：如果模型只學會把輸入原封不動複製出來，這還有學到有用表示嗎？ → 通常沒有，因為它可能只是記住輸入，沒有真正壓縮與抽象化
常見問題
自編碼器一定是無監督學習嗎？
多半是，因為它通常不需要人工標籤，而是自己拿輸入當目標。
瓶頸層越小越好嗎？
不一定。太小會丟掉資訊，太大又可能學不出有效壓縮。
自編碼器能拿來做生成嗎？
普通自編碼器不擅長直接生成，若要生成通常會用 VAE 這類變體。