自編碼器提取到的特徵，到底是隱層權重，還是隱層的輸出值？
看到網上自編碼器的講解中，有人會將編碼後的特徵進行可視化，然後就將輸入層到隱層的權重可視化了，這個操作我能理解，但是意思是自編碼提取的特徵就是這個權重矩陣嗎，還是隱層的輸出。
謝邀。。
請記住一個概念，神經網路是數據特徵的提取和組合器。。
你說的應該是卷積網路吧，濾波器（權重）可視化只是可視化的一種，代表這個濾波器提取的是類似可視化後的這種特徵。自編碼提取的特徵自然是隱層的輸出，只是這個特徵是濾波器權重決定的。
舉個例子，假如一個隱層提取的特徵是圓形，一個隱層提取的特徵是方形。
可視化的結果把 「圓形」 和 「方形」 展現在你面前，但你提取的特徵向量可以是 「圓 1 方2」或者 「圓2 方 1」之類
當然是隱層輸出作為特徵呀，權重矩陣或者叫隱藏權重，只是一個特徵提取(映射)方法，對於不同的輸入是固定的，特徵對應於特定輸入。
什麼叫特徵？就是對某種事物的一種表示。一個簡單的例子，一個點，在歐氏坐標裏表示為(x,y)，這就是在歐氏空間的特徵，在極坐標中表示為(r,θ)，這就是在極坐標中的特徵。我們通過一個公式，可以將歐氏坐標映射為極坐標，這個映射參數就可以看成隱藏層參數，而映射後的值就是提取的新的特徵。
利用自編碼器提取的特徵，正常是指隱層的輸出，而不是隱層權重
瀉藥
是輸出值。
很好理解，權重訓練完就固定了，對於不同輸入都一樣，怎麼能是從數據中提取的特徵呢。
輸出值，卷積神經網路每一層都輸出都是這一層提取的特徵。你想要哪層的就可以給你哪一層的嘻嘻
謝邀。我一直把自編碼器看成一個降維過程，反應提取到的特徵就是用的隱層輸出。
推薦閱讀：
