总结一下SAE部分，整体来说十分简单，基本就是在NN基础上改了一点东西：
首先，原来的训练过程是一个监督过程，即最后计算loss的时候是有train_y与f(wx+b)的差值来进行判断，而深度学习本身自学习或非监督学习能力很强，这里就是采用的非监督学习，autoencoder就是要通过x训练一个网络最后输出还是x，即f(x)=x，在toolbox中，只是最简单的三层网络784-100-784，即hidden层有100的神经元，最后在hidden层基础上重构出x，这里的hidden层的部分作用相当于压缩数据维度，其效果和PCA很像。 首先，原来的训练
首先，原来的训练过程是一个监督过程，即最后计算loss的时候是有train_y与f(wx+b)的差值来进行判断，而深度学习本身自学习或非监督学习能力很强，这里就是采用的非监督学习，autoencoder就是要通过x训练一个网络最后输出还是x，即f(x)=x，在toolbox中，只是最简单的三层网络784-100-784，即hidden层有100的神经元，最后在hidden层基础上重构出x，这里的hidden层的部分作用相当于压缩数据维度，其效果和PCA很像。 首先，原来的训练
