自动编码器被广泛使用，甚至可能比 GAN 使用得更多（事实上，自动编码器比 GAN 更早，尽管 GAN 背后的主要总体思想相当古老）。例如，自动编码器用于世界模型、药物设计（例如参见本文）和许多其他涉及数据压缩或生成的任务。

那么，如果我们训练自动编码器，例如，在猫对狗数据集上，然后切断解码器部分，然后输入随机噪声向量，它不会做同样的工作吗？

是的，自动编码器的编码器部分会生成一个向量，该向量以压缩形式表示输入。您可能还对去噪自动编码器感兴趣，但还有其他变体，例如卷积自动编码器或变分自动编码器。

事实上，自动编码器用于生成任务。查看关于变分自动编码器 (VAE) 的教程。

VAE 最酷的地方在于，可以根据从潜在空间中提取的向量轻松放大或抑制抽象特征。让我们想象一个在 MNIST 上训练来生成数字的模型。如果您拍摄两个仅在厚度上不同的相同数字的图像，对它们进行编码并减去两个向量，得到的向量将是潜在空间中厚度的描述。现在您可以生成任意数字并根据该向量逐步调整其粗细。