为了训练去噪自动编码器，我在输入数据中构造了x+n，在输出数据中构造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(获得了去噪数据。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(一样。
因此，在测试阶段，我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的区别。>
自动编码器的目的是将高维数据(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。
去噪自动编码器，除了学习压缩数据(像自动编码器一样(，它还学习去除图像中的噪声，即使在输入有噪声的情况下也能很好地执行。因此，去噪自动编码器比自动编码器更稳健+它们从数据中学习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一个良好的初始化(在21世纪末(。然而，随着良好的初始化(例如Xavier(和激活功能(例如ReLU(，它们的优势已经消失。现在它们更多地用于生成任务(例如变分自动编码器(