自動編碼器的一個典型應用是特征降維，和PCA的作用一樣，但是比PCA的性能更強。

　　可回以想這樣答一個場景：我們要訓練一個CNN模型，這個模型最終可以識別貓、狗、船等，那么我們需要給它喂入大量的貓狗等圖像，假如這些圖像都是高清的，即數據維度很大，那么CNN訓練的時間就會變長。這時候需要將圖片壓縮一下，我們當然可以考慮使用圖像壓縮算法，這里只是舉一個例子，如果某些數據集不是圖片，如何壓縮呢？

　　答案可以使用自編碼器，自編碼器可以將高維的數據特征用一個低維的特征來表示，

　　自動編碼器的作用是通過編碼器只學習其典型特征（維度降低了），該特征通過解碼器可以大致復原原來的數據即可。這樣再將這個學習到的低維特征輸入到相應的神經網絡中，可以大大減少訓練的時間。在實際應用中，我們訓練好自動編碼器后，一般只使用其編碼器部分，從而獲得低維的數據。再將這個數據輸入到其它分類模型中進行訓練。