这取决于。它可以给你一个推动力，或者它不能。

直觉上，如果网络初始化正确，我预计它实际上会损害性能（我认为优化器不是瓶颈，因为它们在两种方法中都会产生相同的效果）。

理想世界：我们将网络作为一个整体进行优化，以在编码器的顺序层上获得更好的粗粒度特征

多年前的现实：深度网络在向前或向后传播信息方面存在问题（例如：消失/爆炸激活和消失/爆炸梯度）。

• 解决方案：将训练分解为迭代方案，在每个优化步骤中不需要向后信息传播很远
  • 缺点：每一步都在寻找一个贪婪的解决方案，而不是一个深入的解决方案。

今天的现实：根据领域，有各种出版物讨论如何规避这个问题（例如：残差网络、He 初始化、修复初始化、批处理规范、不同的激活函数等......）

• 解决方案：我们可以在没有顺序分层训练的情况下训练深度 AE，并且通常会获得更好的结果，因为模型和优化方案允许形成深度表示。

我希望这有助于对此事有某种形式的直觉。