Deep auto-encoder 与受限玻尔兹曼机有点像，都可以进行信息的压缩，都可以用作pre-trainning.区别在于受限玻尔兹曼机是无向图模型，而Deep auto-encoder是一种神经网络,中间特别窄的bottle neck的数据作为压缩的code
encoder 与 decoder 的参数可以相互独立，也可以互为逆
数字图片 auto-encoder，越是deep的auto-encoder，压缩出来的二维code，在二维空间中分的越散
相关文档检索：
将一个文档用bag of word表示，然后放入auto encoder，压缩为2维，在二维空间，同一类型的文档会显示在一起。查询的时候，将查询文字利用同样的auto encoder压缩为二维，那么它就会比较接近它所涉及的类型的文档的点。疑问：decoder是还原回bag of word，还是使用word embedding方法，预测下一个词，感觉后一种可能性大，因为前一种无法做语义上的表达
类似图片查找：
将图片auto encoder，然后比较在code空间上的距离
pre-training DNN:
找到比较好的神经网络初始化参数
先把第一个隐层作为bottle neck，训练一个只有一层的auto encoder，然后把第一个隐层的code 固定住，作为输入，再训练一个隐层，依次类推。这个方法有点像RBM的预训练方法。可能遇到的问题：隐层比输入层的维度还高，导致输入层直接copy到隐层，什么都没认出来。解决方法：对隐层加一个L1 regulization，把隐层变的稀疏，大多数都是0
pre-training已经很少有人用了，但是，当你有大量unlabel数据，少量label数据的时候，可以利用大量unlabel数据进行pre-training，然后用label 数据进行fine-tune
De-noising auto-encoder
对图片添加噪音，然后放入auto-encoder，重构的图片与没有添加噪音的图片越接近越好。这样训练的网络更健壮，而且可以去噪
auto-encoder for CNN ：
Unpooling 一种是记录pooling选择的位置，然后在unpooling的时候，将对应位置值还原，其余位置补0.还有一种方法，在keras中，直接把值copy多份，填入多个对应的位置
Deconvolution：就是Convolution
对图片进行auto-encoder到二维空间，在code上加上L2 regulization，那么code就会集中在0附近，然后从0附近采样，可以得到数字