自编码器是一种无监督学习模型，它接收未标记的数据，并学习有效的编码，这些编码可以应用于其他上下文。它近似于将数据从输入空间映射到低维坐标的函数，并进一步近似于输入空间的相同维度，以使损失最小化。自编码器可以用于异常检测、图像压缩、图像搜索、图像去噪等多种任务。因此，鉴于其在工业中的流行和广泛使用，对这一技术有清晰的理解对于在数据科学面试中取得成功至关重要。
在本文中，整理了五个关于自编码器的重要问题，可以用它们作为指南，以更熟悉这个话题，并制定有效的答案，以帮助在下一次面试中取得成功。
自编码器是一种神经网络，其目标是学习一个恒等函数，以在同时压缩数据的过程中重建原始输入。重建的图像是对输入x的近似。这个概念最早出现在1980年代，后来由Hinton和Salakhutdinov在2006年发表的开创性研究论文中公之于众。自编码器由两个网络组成：编码器网络和解码器网络。编码器网络将原始的高维输入数据转换为潜在的低维或压缩表示。因此，输入大小大于输出大小。简而言之，编码器学习创建输入数据的压缩/编码版本，并完成降维。解码器网络从其潜在表示中恢复数据，编码器的原始输入数据与重建的输入数据几乎相同。简而言之，解码器从压缩版本重建原始数据。编码器函数g(.)由ϕ参数化，解码器函数f(.)由θ参数化。在瓶颈层为输入x学习的低维代码是z=gϕ(x)，重建的输入是x′=fθ(gϕ(x))。参数(θ,ϕ)是联合学习的，以输出与原始输入相同的重建数据样本，x≈fθ(gϕ(x))。可以使用交叉熵和MSE损失等指标来量化两个向量之间的差异。
当隐藏层和输入层的节点数量相同时，编码将类似于输入，使得自编码器完全无用。