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，自動編碼器可以用于特征降維，類似主成分分析PCA，但是其相比PCA其性能更強，這是由于神經網絡模型可以提取更有效的新特征。

自編碼器由兩部分組成：

編碼器：這部分能將輸入壓縮成潛在空間表征，可以用編碼函數h=f(x)表示。

解碼器：這部分能重構來自潛在空間表征的輸入，可以用解碼函數r=g(h)表示。

△自編碼器結構

因此，整個自編碼器可以用函數g(f(x)) = r來描述，其中輸出r與原始輸入x相近。

自編碼器用來干什么？

目前，自編碼器的應用主要有兩個方面，第一是數據去噪，第二是為進行可視化而降維。設置合適的維度和稀疏約束，自編碼器可以學習到比PCA等技術更有意思的數據投影。

自編碼器能從數據樣本中進行無監督學習，這意味著可將這個算法應用到某個數據集中，來取得良好的性能，且不需要任何新的特征工程，只需要適當地訓練數據。

但是，自編碼器在圖像壓縮方面表現得不好。由于在某個給定數據集上訓練自編碼器，因此它在處理與訓練集相類似的數據時可達到合理的壓縮結果，但是在壓縮差異較大的其他圖像時效果不佳。這里，像JPEG這樣的壓縮技術在通用圖像壓縮方面會表現得更好。

自動編碼器是神經網絡的一種，經過訓練后能嘗試將輸入復制到輸出，換句話說，就是使輸出的內容和輸入的內容一樣。自動編碼器內部有一個隱含層h，可以產生編碼來表示輸入。該網絡可以看作由兩部分組成：一個編碼器h=f(x)和一個生成重構的解碼器r=g(h)。最后使得x約等于g(f(x))。可不可以通過設計網絡使得x=g(f(x))，理論上可以的，但通常不會這么做。

自動編碼器應該設計成不能學會完美地復制，通過強加一些約束，使自動編碼器只能近似地復制，因些它能學習到數據的有用特性，自編碼器根據不同的約束，有著不同的屬性。