为了训练去噪自动编码器，我在输入数据中构造了 x + n ，在输出数据中构造了 x （ x ：原始数据， n ：噪音）。学习完成后，我通过降噪自动编码器（ x_test + n_test-> x_test ）获得了去除噪声的数据。
然后，作为测试，我像传统的自动编码器一样，通过将输入和输出数据构造为相同的值来训练自动编码器
（ x -> x ）。
结果，在测试阶段，我获得了类似于降噪自动编码器的去噪数据。
为什么要通过传统的自动编码器消除噪声？
请告诉我这两个自动编码器之间的区别。
答案 0 :(得分：1)
自动编码器的目的是将高维数据（例如图像）映射为压缩形式（即隐藏表示），并从隐藏表示中构建原始图像。
一种去噪自动编码器，除了学习压缩数据（像自动编码器一样）外，它还学习去除图像中的噪声，即使输入噪声很大，它也可以表现良好。因此，去噪自动编码器比自动编码器更健壮+与标准自动编码器相比，它们从数据中学习更多的功能。
自动编码器的用途之一是为深度神经网络找到良好的初始化方法（在2000年代后期）。但是，有了良好的初始化（例如Xavier）和激活函数（例如ReLU），它们的优势就消失了。现在，它们更多地用于生成任务（例如，变分自动编码器）