无监督学习有一个特别的作用就是给高维数据降维，比如一个MNIST的图片，1*28*28=784维数据，难以有直观的理解，因为人类视觉容易理解的只有1维线，2维面和3维体，这时候无监督学习就有了用武之地，还有一个特点就是无监督学习不需要数据标签，下面来一个简单的例子

准备数据

准备两组数据，10维的，第一组产生3维的随机向量，然后使用3维数据生成10维数据，第二组直接就是10维的随机向量

这里解释一下，实际第一组数据就是3维的，因为3维以外的其他7维都是这3维生成的，即都是相关的，那么理论上来说，这组数据应该可以在3维空间表达出来，现在我们来降维

降维网络

重建网络

损失函数

基本原理：先对输入数据进行降维，这里会降到3维，然后使用这个3维数据重建原来的数据，再和原来的数据进行对比计算损失函数，如果效果好的话，理论上来说，10维数据就和降维后的3维数据相关，不然的话就不可能由3维数据重建得到

训练网络

训练容易陷入局部最优解，多训练几次，保留损失最低的结果

提取网路

评估网络质量

两个类别都生成100个数据，进行降维重建，和原来的数据计算差异，差异越小，网络质量越高

降维数据可视化

10维数据降维到3维，就可以可视化了

可以看到空间中的3维点分为2部分，如果我们按照原来的数据着色的话，就可以看出来，两个类型的数据通过可视化就已经可以肉眼进行分类了

在我们不知道数据到底有没有特征或者特征分明的分类的时候，做数据降维可以帮助我们进行数据的聚类分析