一、自編碼器：降維【無監督學習】
PCA簡介：【線性】原矩陣乘以過渡矩陣W得到新的矩陣，原矩陣和新矩陣是同樣的東西，只是通過W換基。
自編碼：
自動編碼器是一種無監督的神經網絡模型，它可以學習到輸入數據的隱含特征，這稱為編碼(coding)，同時用學習到的新特征可以重構出原始輸入數據，稱之為解碼(decoding)。從直觀上來看，自動編碼器可以用於特征降維，類似主成分分析PCA，但是其相比PCA其性能更強，這是由於神經網絡模型可以提取更有效的新特征。除了進行特征降維，自動編碼器學習到的新特征可以送入有監督學習模型中，所以自動編碼器可以起到特征提取器的作用。作為無監督學習模型，自動編碼器還可以用於生成與訓練樣本不同的新數據，這樣自動編碼器（變分自動編碼器，VariationalAutoencoders）就是生成式模型。
類型：堆棧自動編碼器(StackedAutoencoder)、去噪自動編碼器(DenoisingAutoencoder)，稀疏自動編碼器(SparseAutoencoder)以及變分自動編碼器。
自編碼和PCA的區別：
由於神經網絡能夠學習非線性關系，因此可以認為這是PCA更有力（非線性）的泛化。而PCA試圖發現描述原始數據的低維超平面，自編碼器則能夠學習非線性流形（流形為連續的非交叉的曲面）。這兩種方法之間的區別如下圖所示。
自編碼還原的結果比PCA清晰。
而兩者的重點是要拿到比較好的30維code。
二、降噪自編碼【加噪聲】
三、CNN、DNN、RBM、DBN來實現自編碼：
