自编码器是一种神经网络模型，它的目标是预测输入自身，这通常通过网络中某个地方的「瓶颈（bottleneck）」实现。通过引入瓶颈，使得网络学习输入更低维度的表征，从而将输入压缩成一个好的表征。自编码器和 PCA 等降维技术相关，但因为它们的非线性本质，它们可以学习更为复杂的映射。目前已有一些范围涵盖较广的自编码器存在，包括降噪自编码器（Denoising Autoencoders）、变自编码器（VariationalAutoencoders）和序列自编码器（Sequence Autoencoders）。 降噪自编码器论文： Stacked Denoising Autoencoders: Learning Useful Representationsin a Deep Network with a Local Denoising Criterion 变自编码器论文： Auto-Encoding Variational Bayes 序列自编码器论文： Semi-supervised Sequence Learning