最近在看自编码器相关的文章，我对这种算法的原理产生了极大的疑惑，为什么选择loss作为判断异常的标准呢？
我想，原作者肯定是这么想的：
1）只输入正常数据，那么模型将只会学习到正常数据的分布。推理时，模型可以很好地重构正常信号，正常信号引起的loss值会很小。
2）模型没有学习到异常数据的分布，也不能够重构异常信号，异常信号引起的loss值会很大。
但实际上，正常数据和异常数据的分布是相近的，只输入正常数据，编码器也会学到异常数据的分布。
因此，我猜测：如果采用一些特定的网络学习一些特定的信号，只训练正常数据，也可以重构异常信号，异常信号和正常信号的loss没区别。此时，使用自编码器进行异常检测是必然失效的。
恰好，我手头上有一些正常电机和故障电机的振动频谱数据，这个故障类型是未知的（我猜测可能是定转子或轴承故障），正好拿来做训练，以验证我们的想法。
首先，我搭建了一个全卷积层的网络，这个网络没有pool、BN，原因很简单：1）pool层其实是一种滤波，会丢失一些细节，在后续的重构中，也许没办法恢复这些细节。事实上，使用pool层的网络的重构损失确实大于没有使用的。2）加入BN层重构损失也会变大，但为何变大尚不明确。总之，为了确保重构损失够小，这个全卷积网络，仅有卷积层和激活函数。