趋近智
自动编码器与特征学习入门
章节 1: 理解自动编码器
无监督学习简介
神经网络简介
核心思想：学习数据重建
编码器、瓶颈和解码器：主要组成部分
学习数据表示的用途
自动编码器类比
自编码器处理的初步问题
章节 2: 自动编码器的构成：编码器与解码器
编码器：数据压缩
输入层的结构
编码器隐藏层与数据压缩
瓶颈：紧凑表示
编码器中常用的激活函数
解码器：数据重建
解码器隐藏层与数据解压
输出层的结构
解码器中常用的激活函数
输入与输出的匹配
章节 3: 自动编码器如何学习
训练目标：减少重建误差
自编码器的损失函数 (MSE, BCE)
学习过程：优化基础
数据流：前向传播说明
从错误中学习：反向传播（宏观视角）
训练周期：迭代次数与批次
过拟合与欠拟合初识
构建自编码器的准备工作
章节 4: 自编码器与特征学习
数据集中特征的界定
比较人工与学习的特征方法
自编码器如何识别数据内在特征
瓶颈层作为特征提取器
使用自编码器降维
学习到的表示的简单可视化
有效数据表示的作用
章节 5: 构建一个基础自动编码器
深度学习的 Python 环境配置
PyTorch和Keras入门
加载并理解一个基础数据集
自动编码器的数据预处理
构建一个简单的自编码器模型
配置模型以进行训练
执行训练过程
评估重建质量
可视化重建输出：动手实践
检查编码数据：实践
自编码器的损失函数 (MSE, BCE)
这部分内容有帮助吗？
- Deep Learning, Ian Goodfellow, Yoshua Bengio, and Aaron Courville, 2016 (MIT Press) - 本书广泛涵盖了深度学习原理，包括对MSE和交叉熵等损失函数及其在自编码器等神经网络中应用的详细讨论。
- Pattern Recognition and Machine Learning, Christopher M. Bishop, 2006 (Springer) DOI: 10.1007/978-0-387-44934-0 - 这是一本经典教材，为机器学习提供了数学和概率基础，并对平方误差和交叉熵等损失函数进行了详尽说明。
- Neural Networks and Deep Learning, Michael A. Nielsen, 2015 (Determination Press) - 一本易于理解的在线教材，从基本概念构建神经网络的理解，清晰地解释了二次（MSE）和交叉熵等成本函数。