线性转化与坐标轴收缩(linear transform and ollapsed on some axis)

  最近阅读了一篇无觅网上的文章，题目叫"Neural network ,manifolds ,topology"，作者尝试从流形的角度解释deep neural  network。Blog的链接为：http://colah.github.io/posts/2014-03-NN-Manifolds-Topology/

在里面作者针对每一层的feedforward projection W，进行了讨论。其中一点就是W的行列式。作者认为W的行列式如果为0，将会dataset gets collapsed on some axis。我一直不是十分理解这句话，于是就做了一个最简单的实验：

假设有3个两维的数据点data=[5 6 1 ;2 3 1]，然后线性变化矩阵分别是A=[ 1 2; 2 4];B= [1 7 ; 0 2]，|A|=0,|B|=2.

我们有C1=A*data ; C2 = B*data;

得到的效果如下所示，菱形点表示的是data中的三个数，星形点表示的C1中的数据点，十字星点表示的是C2中的数据点：

为了更加清楚的表示他们的关系，我将各个点各自连接起来：

我们发现，由于矩阵A是低秩的，其行列式为0，那么它将输入数据（红色的菱形块）之间的三角形关系全部映射到了本身的坐标轴y=2x上去了（蓝色星形上的直线）（实现了降维）.而B矩阵由于其行列式不为0，相当于对三角形进行了一定的拉伸和旋转，得到了绿色十字星所示的效果（仍然是三角形），仍然保证了拓扑关系的不变性。

很有意思的运算，因为PCA就是属于其中的一个情况。