本节代码来自tensorflow的开源实现。
实现自编码器和实现一个单隐含层的神经网络差不多，只不过是在数据输入时做了标准化，并加上了一个高斯噪声，同时输出结果不是数字分类结果，而是复原的数据。
对于没有标注的数据，可以使用无监督的自编码器来提取特征，使用自身的高阶特征编码自己。可以使用自编码器对数据进行降维。自编码器的输入节点和输出节点的数量是一致的。
如果限制中间隐含层节点的数量，如让其小于输入/输出节点的数量，就相当于一个降维的过程。如给中间层的权重加一个L1正则，则可根据惩罚系数控制隐含节点的稀疏程度，惩罚系数越大，学到的特征组合越稀疏，实际使用的特征数量越少。
自编码器的隐含层的最主要功能就是学习出数据中的高阶特征。
自编码器作为一种无监督学习的方法，与其他无监督学习的主要不同在于，它不是对数据进行聚类，而是提取其中最有用，最频繁出现的高阶特征，根据这些高阶特征重构数据。
使用方法：
先用自编码器的方法进行无监督的预训练，提取特征并初始化权重，然后使用标注信息进行监督式的训练。当然，直接使用标注信息进行监督式的训练也行。
参数初始化方法：xavier
特点：根据某一层网络的输入，输出节点数量自动调整最合适的分布。Xaiver初始化器做的事情是：让权重被初始化得不大不小，正好合适。

# 给输入加上噪声
self.hidden = self.transfer(tf.add(tf.matmul(
                self.x + scale * tf.random_normal((n_input,)),
                self.weights['w1']),self.weights['b1']))
# 重建操作不需要激活函数

对数据进行标准化处理，标准化：让数据变成0均值，且标准差为1的分布。方法：先减去均值，再除以标准差。

import sklearn.preprocessing as prep
def standard_scale(X_train, X_test):
# 先在训练数据上fit出一个公用的Scaler，以保证模型处理数据时的一致性
    preprocessor = prep.StandardScaler().fit(X_train)
    X_train = preprocessor.transform(X_train)
    X_test = preprocessor.transform(X_test)
    return X_train, X_test
# 对训练集、测试集进行标准化变换