自动编码器的一个典型应用是特征降维，和PCA的作用一样，但是比PCA的性能更强。
可回以想这样答一个场景：我们要训练一个CNN模型，这个模型最终可以识别猫、狗、船等，那么我们需要给它喂入大量的猫狗等图像，假如这些图像都是高清的，即数据维度很大，那么CNN训练的时间就会变长。这时候需要将图片压缩一下，我们当然可以考虑使用图像压缩算法，这里只是举一个例子，如果某些数据集不是图片，如何压缩呢？
答案可以使用自编码器，自编码器可以将高维的数据特征用一个低维的特征来表示，
自动编码器的作用是通过编码器只学习其典型特征（维度降低了），该特征通过解码器可以大致复原原来的数据即可。这样再将这个学习到的低维特征输入到相应的神经网络中，可以大大减少训练的时间。在实际应用中，我们训练好自动编码器后，一般只使用其编码器部分，从而获得低维的数据。再将这个数据输入到其它分类模型中进行训练。
