Ein Autoencoder ist eigentlich nichts anderes als ein künstliches neuronales Netz, wobei das Layout des Netzes eine spezielle Struktur besitzt: Eingangs- und Ausgangsschicht haben stets die gleiche Anzahl an Neuronen und zudem wird das Layout in einen Encoder und einen Decoder aufgeteilt:

Dabei hat die verborgene Schicht mit der Bezeichnung y eine in der Regel deutlich kleinere Anzahl an Neuronen im Vergleich zur Eingangs- bzw. Ausgangsschicht. Zudem ist y die Ausgangsschicht des Encoders und gleichzeitig die Eingangsschicht des Decoders. Anders als bei künstlichen neuronalen Netzen zur Lösung einer Klassifikationsaufgabe wird bei Autoencodern folgendes Ziel verfolgt:

Ein geeignetes Gütemaß für 'möglichst ähnlich' ist die Summe der quadratischen Abweichungen der einzelnen Neuronen im Vergleich zwischen Eingangs- und Ausgangssignal. Trainiert werden kann ein Autoencoder, sofern eine ausreichend große Menge an Traingsdaten vorhanden ist.

Wir nutzen den Scribble-Datensatz, der Strichzeichnungen von Fischen bestehend aus 24 x 24 = 576 Pixel bereitstellt:

Jede Zeile das Datensatzes ist ein Schwarz-Weiß-Bild (eine Strichzeichnung) eines Fisches:

Damit wurde ein Autoencoder zum folgenden Layout trainiert:

In der nachfolgenden Anwendung werden zufällige Zeilen des Datensatzes gewählt und am Autoencoder ausgewertet. Dargestellt werden Eingangssignal (d.h. die ausgewählte Zeile des Datensatzes) sowie das zugehörige Ausgangssignal des Autoencoders im Vergleich. Ein kleiner Hinweis dazu: