继续学习deep learning，看yusugomori的code，看到里面DA（Denoising Autoencoders）和SDA（Stacked Denoising Autoencoders）的code，与RBM非常像。心里有个问题，autoencoder和RBM有什么区别和联系？又上网上找了些资料（前面转载那两篇），学习了一下。下面记一下笔记。
1. autoencoder是多层神经网络，其中输入层和输出层表示相同的含义，具有相同的节点数，如图：
autoencode学习的是一个输入输出相同的“恒等函数”。
2. 从1中可以看到，autoencoder学习的还是输入的特征表示。
3. 不过输入和输出相同，使得这个网络的输出没有任何意义。autoencoder的意义在于学习的（通常是节点数更少的）中间coder层（最中间的那一层），这一层是输入向量的良好表示。这个过程起到了“降维”的作用。
4. 当autoencoder只有一个隐含层的时候，其原理相当于主成分分析（PCA）
5. 当autoencoder有多个隐含层的时候，每两层之间可以用RBM来pre-training，最后由BP来调整最终权值
6. 网络权重更新公式很容易用求偏导数的方法推导出来，算法是梯度下降法。
7. denoising autoencoder是autoencoder的一个变种，与autoencoder不同的是，denoising autoencoder在输入的过程中加入了噪声信息，从而让autoencoder能够学习这种噪声。
8. denoising autoencoder与RBM非常像：
（1）参数一样：隐含层偏置、显示层偏置、网络权重
（2）作用一样：都是输入的另一种（压缩）表示
（3）过程类似：都有reconstruct，并且都是reconstruct与input的差别，越小越好
9. denoising autoencoder与RBM的区别：
背后原理就不说了哈（RBM是能量函数），区别在于训练准则。RBM是隐含层“产生”显示层的概率（通常用log表示），denoising autoencoder是输入分布与reconstruct分布的KL距离。所用的训练方法，前者是CD-k，后者是梯度下降。
10. 再补充一下，RBM固定只有两层；autoencoder，可以有多层，并且这些多层网络可以由标准的bp算法来更新网络权重和偏置，与标准神经网络不同的是，autoencoder的输入层和最终的输出层是“同一层”，不仅仅是节点数目、输出相同，而是完完全全的“同一层”，这也会影响到这一层相关的权值更新方式。总之，输入与输出是同一层，在此基础上，再由输入与输出的差别构造准则函数，再求各个参数的偏导数，再用bp方式更新各个权重......
