1 Auto-encoder 目的是提取特征. Auto-encoder能恢复样本训练过程，就保证了隐含层提取的特征是样本的重要，本质的特征，否则不能恢复样本.
2 用样本学习好Auto-encoder， 将时间序列样本，输入训练好的auto-encoder, 如果输出与输入残差值（平方误差和等）小表示没有异常发生，否则发生异常.
3 隐含层提取的特征很难表达，变分自编码器（Variational autoencoder，VAE）：编码数据的分布 是一个描述隐含层特征的特殊自动编码器
4 RNN:
LSTM：
LSTM（Long-Short Term Memory）
原生的RNN会遇到一个很大的问题，叫做 The vanishing gradient problem for RNNs，也就是后面时间的节点对于前面时间的节点感知力下降，也就是忘事儿，这也是NN在很长一段时间内不得志的原因，网络一深就没法训练了，深度学习那一套东西暂且不表，RNN解决这个问题用到的就叫LSTM，简单来说就是你不是忘事儿吗？我给你拿个小本子把事记上，好记性不如烂笔头嘛，所以LSTM引入一个核心元素就是Cell。
