前面章节介绍了自动编码器及其主要组成部分。现在，我们审视这些网络如何从数据中学习。主要目标是最小化重建误差，即原始输入与自动编码器输出之间的差异。

本章将说明：

• 训练目的: 自动编码器如何致力于精确重建输入。
• 损失函数 (loss function): 用于衡量重建误差的指标，例如均方误差 ($MSE$) 和二元交叉熵 ($BCE$)。
• 优化: 像梯度下降 (gradient descent)这样的基本过程，用于调整自动编码器内部设置以提高性能。
• 数据流: 理解前向传播（从输入到输出）和反向传播 (backpropagation)（误差调整）的概览。
• 训练周期: 诸如周期（epochs）和批次（batches）等组织学习过程的要点。

我们还将简要介绍过拟合 (overfitting)和欠拟合 (underfitting)。到本章结束时，您将了解准备自动编码器进行训练所涉及的步骤。