去噪自动编码器和传统自动编码器有什么区别？
What is the difference between the denoising autoencoder and the conventional autoencoder?
为了训练去噪自动编码器，我在输入数据中构建了 x+n，在输出数据中构建了 x（x：原始数据，n：噪声）。学习完成后，我通过去噪自动编码器（x_test + n_test -> x_test）得到了去噪数据。
然后，作为测试，我通过将输入和输出数据构造为相同的值来训练自动编码器，就像传统的自动编码器
（x -> x）。
因此，我在测试阶段获得了类似于去噪自动编码器的去噪数据。
为什么通过传统的自动编码器去除噪声？
请告诉我这两个自动编码器之间的区别。
自动编码器的目的是将高维数据（例如图像）映射到压缩形式（即隐藏表示），并从隐藏表示构建原始图像。
一种去噪自动编码器，除了学习压缩数据（如自动编码器）外，它还学习去除图像中的噪声，即使输入有噪声也能表现良好。因此，去噪自动编码器比自动编码器更健壮+它们从数据中学到的特征比标准自动编码器更多。
自动编码器的用途之一是为深度神经网络找到良好的初始化（在 2000 年代后期）。然而，有了良好的初始化（例如 Xavier）和激活函数（例如 ReLU），它们的优势就消失了。现在它们更多地用于生成任务（例如变分自动编码器）
为了训练去噪自动编码器，我在输入数据中构建了 x+n，在输出数据中构建了 x（x：原始数据，n：噪声）。学习完成后，我通过去噪自动编码器（x_test + n_test -> x_test）得到了去噪数据。
然后，作为测试，我通过将输入和输出数据构造为相同的值来训练自动编码器，就像传统的自动编码器
（x -> x）。
因此，我在测试阶段获得了类似于去噪自动编码器的去噪数据。
为什么通过传统的自动编码器去除噪声？
请告诉我这两个自动编码器之间的区别。
自动编码器的目的是将高维数据（例如图像）映射到压缩形式（即隐藏表示），并从隐藏表示构建原始图像。
一种去噪自动编码器，除了学习压缩数据（如自动编码器）外，它还学习去除图像中的噪声，即使输入有噪声也能表现良好。因此，去噪自动编码器比自动编码器更健壮+它们从数据中学到的特征比标准自动编码器更多。
自动编码器的用途之一是为深度神经网络找到良好的初始化（在 2000 年代后期）。然而，有了良好的初始化（例如 Xavier）和激活函数（例如 ReLU），它们的优势就消失了。现在它们更多地用于生成任务（例如变分自动编码器）