无论如何，我都不是自动编码器或神经网络方面的专家，所以如果这是一个愚蠢的问题，请原谅我。
为了降维或可视化高维数据中的集群，我们可以使用自动编码器通过检查具有 2 个节点的网络层的输出来创建（有损）二维表示。例如，使用以下架构，我们将检查第三层的输出
在哪里是输入数据和是节点的数量第层。
现在，我的问题是，为什么我们想要一个对称的架构？深度“压缩”阶段的镜像不是意味着我们可能有一个类似复杂的“解压”阶段，导致 2 节点输出不强制非常直观？换句话说，是否具有更简单的解码阶段会导致具有 2 个节点的层的输出也必然更简单？
我的想法是，减压阶段越不复杂，2D 表示就必须越简单（更线性？）。更复杂的解压缩阶段将允许更复杂的 2D 表示。
自编码器的对称性没有特定的限制。
一开始，人们倾向于将这种对称性最大化：不仅层是对称的，而且编码器和解码器中共享的层的权重也是对称的。这不是必需的，但它允许使用某些损失函数（即 RBM 分数匹配）并且可以充当正则化，因为您可以有效地将要优化的参数数量减少一半。然而，如今，我认为没有人强加编码器-解码器权重共享。
关于架构对称性，通常在编码器和解码器中找到相同数量的层、相同类型的层和相同的层大小，但没有必要这样做。
例如，在卷积自动编码器中，过去在编码器中找到卷积层而在解码器中找到反卷积层是很常见的，但现在您通常会在解码器中看到上采样层，因为它们的伪影问题较少。
你的问题肯定是正确的，但是我发现任何形式的问题都是“我应该在深度学习中做 X 还是 Y？” 只有一个答案。
两个都试试
深度学习是一个非常有经验的领域，如果非对称自动编码器适用于您的领域，那么使用它（并发表论文）
我做了一些广泛的实验来解决所提出的问题。我的实验表明，编码路径（NN 的左腿）应该有更少但更宽的层。我通常采用一半的层数，但编码路径的节点数增加一倍。我对此没有任何解释，只是这些配置通常会导致更快的收敛。