传统的机器学习很大程度上依赖于好的特征工程，而特征工程是一项十分耗费精力与时间的事情，最主要的是在语音、图像和视频中提取有效地特征就更难了。而深度学习，包括有监督的深度学习和无监督的深度学习，可以完美的解决人工难以有效提取特征的问题，他可以大大缓解机器学习模型对特征工程的依赖性。
例如在图像识别问题中，我们有大量的图片，这其中不仅包括汽车的图片还包括其他类别的图片，那么我们如何识别出图片中的内容是汽车而不是其他呢？最简单的一种想法就是从像素级特征训练一个分类器模型，那么绝大多数算法将很难有效地工作。其实，我们可以提取出高阶的特征，比如汽车的车轮、车窗、车身等，然后基于这些特征进行分类；同时，汽车的车轮车窗、车身等每一个组件都是有更小的单位特征组合而成的。现在，我们将上述的过程逆过来，将一张图片从像素特征就开始慢慢的抽象，从像素组成点、线，再将点、线组合成小的部件，然后基于这些小的部件组成车窗、车轮等高阶特征，上述过程就是在深度学习里训练过程所进行的特征提取。
针对于有标签的数据集我们可以直接训练一个深层的神经网络；如果没有标注的数据呢？这种情况下我们可以采用无监督的自动编码器来实现。自动编码器（AutoEncoder），顾名思义，既可以使用自身的高阶特征编码自己。自编码器也是一种神经网络，不过他的输入输出是一致的，借稀疏编码的思想，使用一些高级的特征重新组合来重构自己。因此，实现自动编码器的关键在于是的输入与输出尽量一直，其次通过高阶特征重构自己而不是进行简单的像素点的复制。
2006年，Hinton教授提出了基于深度新年网络（deep belief networks,DBN）可以使用无监督的逐层pre-training的贪心算法与fine-tune相结合的算法，为训练深度神经网络提供了一个可行的方案：我们可能河南直接训练很深的网络，但是我们可以使用无监督的逐层训练提取特征，将网络的权重初始化到一个比较好的位置，辅助后面的监督训练。这个思想与自动编码器的思想非常类似，只是加入了以下几种限制：
1. 如果限制中间隐层节点的数量，比如让隐层节点数小于输入节点数，就想到那个鱼降维的过程。这样就不可能出现简单的复制所有节点的情况。此时，如果给中间隐层节点的权重加一个L1范数正则，则可以根据惩罚系数控制隐层节点的稀疏程度，惩罚系数越大，学习到的特征就越稀疏。
2. 若果给数据加入噪声，这就是去噪自编码器。因为加入完全复制特征就无法去除我们添加的噪声，就无法完全复原数据，所以也不能完全复制节点。
定义一种参数初始化方法xavier initialization
定义一个DAE class，其中包括构建函数__init__(),参数初始化函数_initialize_weights，计算损失以及执行单步训练的函数partial_fit等。
基于MNIST数据集进行测试
源码：
import numpy as np
import sklearn.preprocessing as prep
import tensorflow as tf
from tensorflow.examples.tutorials.mnist import input_data
def xavier_init(fan_in, fan_out, constant = 1):
low = -constant * np.sqrt(6.0 / (fan_in + fan_out))
high = constant * np.sqrt(6.0 / (fan_in + fan_out))
return tf.random_uniform((fan_in, fan_out),
minval = low, maxval = high,
dtype = tf.float32)
class AdditiveGaussianNoiseAutoencoder(object):
def __init__(self, n_input, n_hidden, transfer_function = tf.nn.softplus, optimizer = tf.train.AdamOptimizer(),
scale = 0.1):
self.n_input = n_input
self.n_hidden = n_hidden
self.transfer = transfer_function
self.scale = tf.placeholder(tf.float32)
self.training_scale = scale
network_weights = self._initialize_weights()
self.weights = network_weights
# model
self.x = tf.placeholder(tf.float32, [None, self.n_input])
self.hidden = self.transfer(tf.add(tf.matmul(self.x + scale * tf.random_normal((n_input,)),