先压缩原数据、提取出最有代表性的信息。然后处理后再进行解压。减少处理压力

通过对比白色X和黑色X的区别(cost函数)，从而不断提升自编码模型的能力（也就是还原的准确度）

由于这里只是使用了数据本身，没有使用label，所以可以说autoencoder是一种无监督学习模型。

实际在使用中，我们先训练好一个autoencoder模型，然后只取用其前一半，来获取到压缩了的特征进行其他的训练，以达到压缩特征的目的。

自编码可以达到类似于PCA的效果

自编码in Pytorch

encoder

decoder

连接成网络

设置优化器和损失函数

autoencoder=AutoEncoder() optimizer=torch.optim.Adam(autoencoder.parameters(),lr=LR) loss_func=mm.MSELoss()

搭建网络，，传入数据

这里的y是压缩之前的数据，用来在loss function中和decoded对比的

设置输出

Pytorch中的自编码(autoencoder)