自动编码器的核心要点已介绍完毕，本章着重介绍构建第一个用于特征提取模型所需采取的实际步骤。我们将逐步完成整个工作流程，从初始数据准备到提取和理解学习到的特征。

本章将指导您完成以下内容：

• 准备和预处理数据，包括归一化和缩放，以便有效训练自动编码器。
• 设计编码器和解码器网络，考虑诸如层数、每层神经元数量以及激活函数的选择。
• 为潜在空间（瓶颈层）选择合适的维度。
• 选择合适的损失函数，例如均方误差（$MSE$）或二元交叉熵（$BCE$），并配置优化器（例如Adam, SGD），设定恰当的学习率。
• 监控训练阶段，然后使用训练好的模型从瓶颈层提取特征表示。
• 潜在空间的可视化方法，特别是针对低维表示。 一个动手实践环节将演示构建一个自动编码器，用于从表格数据集提取特征。