即便是在系统掉电期间发生的转动，编码器也可在再次通电瞬间立即将其转化成的定位数值。有需要的话我可以给您报下价格。A3M60B-S4PB013x1值编码器和增量型编码器的相对优点不过，个人认为，圈数记录在电池掉电的情况下发生数据丢失，只不过是一个表象而已，其圈数反馈必须依赖于历史数据记录的运行机理，才是问题的根本所在。用的就是和上述单圈值编码器相同的技术，通常为值光电码盘或磁性编码器。

下一篇，我将讨论基于这些概念构建的变分自编码器，以构建更强大的模型。构建自编码器最简单的架构是限制网络隐藏层中存在的节点数量，进而限制可以通过网络传输的信息量。通过根据重构误差惩罚网络，我们的模型可以学习输入数据的最重要属性，以及从“编码”状态如何的重构原始输入。理想情况下，这种编码将学习和描述输入数据的潜在属性。由于神经网络能够学习非线性关系，因此可以认为这是PCA更有力（非线性）的泛化。

因此，我们希望我们的模型能够发现我们数据中的潜在属性，重要的是要确保自编码器模型不仅是学习有效记忆训练数据的方法。像监督学习问题，我们可以对网络采用各种形式的正则化，以鼓励更好的泛化属性。稀疏自编码器为我们提供了一种不需要减少我们隐藏层的节点数量，就可以引入信息瓶颈的的方法。相反，我们将构造我们的损失函数，以惩罚层中的激活。对于任何给定的观察，我们都会鼓励我们的网络学习只依赖激活少量神经元进行编码和解码。

增量式编码器是将位移转换成周期性的电信号，再把这个电信号转变成计数脉冲，用脉冲的个数表示位移的大小。式编码器的每一个位置对应一个确定的数字码，因此它的示值只与测量的起始和终止位置有关，而与测量的中间过程无关。

瓶颈限制了完整网络可以传递的信息量，从而迫使网络学习压缩输入数据。注意：事实上，如果我们要构造一个线性网络（即，每层都不使用非线性激活函数），我们会观察到类似PCA中所观察到的降维。对输入敏感足以准确建立重构。这种敏感不能过度，导致模型简单的记住甚至过拟合训练数据。这种取舍迫使模型在只保留重构输入所需的数据的变化，不保留输入的冗余。我们通常会在正则化项前面添加一个缩放参数，以便我们可以调整两个目标之间的平衡。在这篇文章中，我会讨论一些标准的自编码器架构，用于强加这两个约束并调整权衡。下一篇，我将讨论基于这些概念构建的变分自编码器，以构建更强大的模型。构建自编码器最简单的架构是限制网络隐藏层中存在的节点数量，进而限制可以通过网络传输的信息量。