一句话解释自编码器：输入与输出一致，通过神经网络实现，实现数据去噪或为可视化而降维
学习：深度学习之自编码器AutoEncoder
总结1：自监督而非无监督，因为输入同输出
总结2：数据有损，输出退化
总结3：自编码器较PCA更加灵活，输出了更有意思的投影.因为它一种网络，所以网络深度宽度可以随意调节，就能得到不同风格效果
思考1：这种实现方式是随机的，所以在去噪方法中是需要在encoder中加上噪声，比如高斯噪声等，但是这样就导致了后续去噪时只能去掉指定的噪声。没有通用性。
思考2：基于这样的弊端，举例一种实际情况，有一些图片因为曝光、色温干扰等情况如何处理，因为实际情况是多变的，不是简单高斯噪声去噪就能处理的。当然色温干扰可以通过白平衡等方式，也有自动曝光算法，但在某些情况运行效果较差，所以如此看来↓
总结：是一种经典算法，但是可能在实际应用中有待商榷。甚至不如简单的输入为原始图片，输出为人工处理后的图片，进行网络迭代效果好（但这样人工代价略大）
