头条焦点：编码器和解码器到底有什么用？看完你就明白了

编码器和解码器最开始看概念的时候有点懵，因为说编码器先把原始信号给编码，然后解码器再给解出来得到原始信号。哈？这是干啥，原始信号本来就有，用这个搞啥，做无用功吗？

1. 首先，说一下编码器和解码器干什么用的。

我们举个例子。

(资料图)

一个是，类似PCA这样的，做矩阵分解，然后恢复。矩阵分解里，把原始大矩阵变成了几个小矩阵相乘，信息没有丢失，但需要存储的数据变少了很多。虽然解码的时候需要额外的计算，但相比起来，小矩阵更符合我们的需求。实际使用的例子，如，图片的传输。以往，是一行一行的像素传输的，所以，网速慢的时候，我们可以看到刷新图片都是从上往下慢慢出来；而现在，是计算特征矩阵，所以看的时候，图片都是先是整体模糊的图片，然后慢慢清晰起来。这个就是传输的特征矩阵，随着特征数据的增多，图片逐渐清晰。

二个是，就像电话，把声音信号转换为电信号，然后远距离传输，再反向把电话信号转换为声音信号，从而达到目的：声音的远距离传输。这里面，打的电话是一个编码器，把声音信号转换为电信号。接的电话是一个解码器，把电信号解码成声音信号。这里面，电话同时具有编码和解码的功能，而且是硬件实现的。本身的功能呢，就是实现了声音的远距离传输。

而我们用到的编码器和解码器，本身编码器是用来做数据特征抽取的，用来做原始信号的主要特征。解码器，只是在编码器训练过程中的一个反向的组件，用来协助编码器做训练的。在我们的场景中，实际使用里，主要是使用编码器的。

2. 其次，说一下编码器怎么训练。

根据上面提到编码器的作用，我们说一个最简单的编码器，就是直接传输的恒等编码器。

比如，输入100个信号，我们让中间编码器也有100个节点，每个节点都是对接一个输入，然后不变的输出。解码器也是一样，对应编码器的输出，不变，直接输出。这样，编码器和解码器都没有损失信息，输出也和输入完全一样，没有信息丢失。这就是一个最简单的编码器和解码器。恒等，无损失。挺好。

或者，编码器对对应的输入乘以2，解码器来乘以1/2，结果同样是无损失的。

但如果我们的目标是想要对数据压缩，不给这么多中间节点。比如说，输入100个信号，但编码器只有10个节点，那么，就没发一一对应的恒等输出的。所以，就需要编码器来努力了。首先，不能再是和输入的一一对应的连接了，因为编码节点数不够。所以，需要全连接这样的。其次，为了让信号方便做转换，可以加入非线性转换一类的。编码器弄完了之后，解码器也是对应的反向参数来解出来，然后输出。把输出和原始输入进行对比，计算损失函数，然后反向传播来降低loss，从而逐步把编码器和解码器的参数训练好，最后拿到一个比较好的压缩的输入数据的特征。

3. 再次，说一下编码器的结构。

注意：编码器+解码器，和MLP的结构可以很像。但是，解码器由于要把编码器的输出特征再解析出原始信号，所以，要求解码器的输出节点个数等于原始信号的输入节点个数。

正常的，编码器和解码器可以是两个层。比如，输入层+编码器层+输出层（解码器层）。也可以，把编码器和解码器都弄成多层的结构。

一般的，解码器是编码器的参数的反函数，这样，二者结构相似，参数相反。但也可以，解码器和编码器并不相同，包括，结构不同，或者参数不按照相反来。

一般的，解码器和编码器是同一种网络，比如，都是层、或者都是CNN，或者都是RNN等。但特殊的，也可以二者不同结构，比如，CNN+RNN等。

所以，本身编码和解码是一种概念。编码器输入数据的特征抽取出来（一般是压缩的，但应该也可以是扩张的），然后解码器根据特征反向解出原始输入信号，让二者尽可能的接近，就可以了。

4. 再说一下编码器的应用。

一个是，特征抽取。这个说过了。二个是，新东西的生成。因为，编码器把重要特征抽出来了，那么，我们可以把这些特征自由的组合，就生成一个新的原始样本中没有的样本，这个也可以比较好玩。

5. 最后，再说一下编码器的一些trick。

比如，可以往编码器的输入中，加入一些噪声。这样，可以防止编码器学出来恒等的复制输入输出的问题。

也可以加入dropout，来增加健壮性。