对“从直线变换为平面”的理解

在看这里
https://www.bilibili.com/video/av6731067/index_9.html#page=10 时有一个疑问没有想明白,就是当说通过函数不能从一条直线“解压缩”出来一个平面时,对“函数”的要求是:它能将一个单独的向量变换为一整条线的向量。
这里写图片描述
图1 变换为一条之后的情况

这里写图片描述
图2 企图从一条线“解压”出来一个平面

这里写图片描述
图3 继续企图变换成平面

首先明确一下,上面的3个图是为了解释假设能从一条线解压出来一个平面所经历的过程。
实际上是无法从第1个图变换到第3个图的。

这句翻译后的中文怎么看都是似懂非懂的,什么叫将一个单独的向量变换为一整条线的向量?一个单独的向量还勉强可以理解,就是一个向量嘛,说他单独不单独什么意思呢?就是单个的,跟其他向量没有关系的,最简单的示例就是在空间中只画一个向量v就完事了。关键是后面的那句一整条线的向量,啥叫一整条线的向量?连蒙带猜的理解是,有很多很多很多的向量,以至于它们都能组成一条线了,是这个意思吗?理解起来太费劲了。突然瞥了一眼下面的英文原句,卧槽,瞬间开朗了。首先,原句分明说的是:each individual vector,按我的理解,each individual这个强调的应该是”每一个”这层意思,而不是“一个单独”,这差别可就大了。再看后面的“一整条线的向量”的原句:a whole line full of vectors.这咋理解?由向量组成的线。
写到这里的时候,我觉得我明白了作者的意思,但是我也不能很好的表达出来它的意思。于是我想了一个例子。比如我去医院看完病拿药,医生给开了好几样的药,它们的外观看起来是一样的,但是每种药的包装上都有说明来描述药名和吃法,所以我能很好的区分它们。这里的药名,药片的数量和吃法就可以看做是每种药的向量,表示3个属性的信息,可以看做是3维的。然后我准备回家,这里还有一个问题,就是我没有带书包,这一大堆的药我怎么带回去呢?于是故作聪明的我想到了一个办法,就是把这些药片的包装都拆开扔掉,只拿药片就行了。于是就这么干了。到了家发现,由于它们长得都一样,我不知道该怎么区分它们,也不知道该怎么吃了。因为可以区分他们的外包装让我给扔了,怎么吃的方法也在外包装上,一块儿都给扔了。最后只剩下什么?只剩下一堆药片了。你能说,你看看这些药片就能告诉我每一片药叫什么,怎么吃吗?是的,你不能,你唯一能告诉我的就是这堆药片的数量,因为我没有把药片搞丢了,所以这是刚才那3个属性中的仅有的一个属性了,它没有发生变化。这整个的过程就是把信息从3维降到1维了,丢失了2维的信息。

原视频中的情况也类似,当将一个2维向量变换为1维后,那它肯定是丢失了信息了,如果没有丢失信息那不还是2维吗?很显然,针对视频中的例子来说,它在变换之后丢失大小和方向中的方向这个信息。所以在企图还原的到时候你也不知道它原来的方向该指向哪里了?你看图3中的那些向量的箭头,它们该指向哪里呢?彻底懵逼了。这不是难为人嘛。你说你蒙一个得了,卧槽,大哥,我们在讨论一个很严肃的问题,你搞笑呢?

我觉得我用叨逼叨的方式已经说得很清楚了。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组一个器和一个判别器,它们相互竞争,生器生数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值