自动编码器
encoder和decoder没办法单独训练，但接在一起就可以做无监督学习。
中间压缩了维度的隐藏层叫做bottleneck layer（像颈部一样比较细），两边的权重通常互为转置（可以减少参数量，但不是必须这样的）。
中间的维度肯定是要小于input的，是需要做一下压缩的，不然网络直接把input复制过来，输出output，就得到正确结果了，这样的网络是没有用的。
也可以用深度神经网络。
用自编码器的效果好于PCA。
对于文本检索来说，就是求query和document向量之间的内积，得到最相近的结果。而表示文章的方法就是用词袋模型，不过词袋模型不会考虑语义信息。
用自编码器的话，同类的文章会成为一簇，查询的时候可以得到同类的结果，即使这个文章和查询没有词汇关联。但用LSA的话就得不到这样的结果。
对于图像搜索，同样，计算像素之间的相似度的话，得到的结果会很糟糕。而用自编码器的话，结果还不错。
如果下一层的维度更大的话，那么需要做一下regularization，其中某几维是可以有值的，其他维要必须为0。
如果说有很多的unlabeled data，少量的labeled data，可以把网络参数用无监督的方法训练好，然后用labeled data微调。
去噪自编码器会给input添加一些噪声，最后的结果和添加噪声前的做比对。这样除了能学到特征，还能把噪声去掉。
contractive auto-encoder的思路类似，是让input的变化对code的影响最小。
用CNN自编码器的话，就是在decoder这边做deconvolution和unpooling的操作。
反池化：在做池化操作的时候记住取最大值的位置，然后反池化的时候其他位置补0。或者做复制。
反卷积：反卷积和卷积是一样的操作。在旁边补一些0，就可以实现。
假如有一张图，中间2维的隐藏层sample出来是这样的，然后等间隔地去sample vector出来，通过decoder看看会产生什么。
那么怎么知道哪个位置生成出来的是图呢？
有一个很简单的做法，就是在你的code上面加regularization(L2 regularization)，让code比较接近0。
你在sample的时候就是在0附近，这样你就可以有可能sample出的vector都能对应到数字。
横轴(从左到右)代表的是有没有一个圈圈(本来是一个很圆的圈圈，慢慢的变为1)，纵轴代表是：本来是直的，然后慢慢就倒斜。
