深度学习中的表示学习 Representation Learning

人的大脑会对眼睛捕捉到的外界事物进行逐级抽象，逐渐提取出抽象的语义信息，以便为人脑所理解。深度学习从这一科学发现得到启发，通过网络的权值来捕捉外界输入模式的特征，并且通过网络连接方式来组合这些特征从而提取出更加高层特征，采用这种方法逐级从大量的输入数据中学习到对于输入模式有效的特征表示，然后再把学习到的特征用于分类、回归和信息检索。深度学习能够提取输入数据的特征，降低输入数据的维数和复杂度，逼近复杂的函数。

    为了使得深度网络结构变得更加容易训练，并且强化深度网络的特征提取和函数逼近能力，需要对深度学习网络采用更高效的网络表达方式。网络的表达方式是指网络采用何种结构上的连接方式来抽象表达输入模式的内部结构，或表示输入样本之间的关系。深度学习网络的表达方式有局部表达、分布式表达和稀疏表达3种。深度网络的网络结构是指网络神经元之间连接关系的确定原理，分为区分型网络结构和生成型网络结构两类。

后续补充

参考：https://blog.csdn.net/u010417185/article/details/83089882