在看有关深度学习的一些论文的时候,总会看到一些这样的字眼“deep learning methods have the ability to solve the problem of network topology”(原话不是这样的),所以当时就在想传统方法不能解决拓扑结构,只能解决欧几里得结构,那这两个结构之间有什么区别呢?
我的理解是这样的,
欧几里得结构
从直观上来说就是一排一排的点整整齐齐的排在一起,你一眼看过去就知道谁在谁的前面,谁在谁的后面,谁在谁的左边这样。从矩阵的角度来说,只允许矩阵进行平移和旋转。
维基百科
欧几里得几何中给出的解释如下:
- 从一点向另一点可以引一条直线。
- 任意线段能无限延伸成一条直线。
- 给定任意线段,可以以其一个端点作为圆心,该线段作为半径作一个圆。
- 所有直角都相等。
- 若两条直线都与第三条直线相交,并且在同一边的内角之和小于两个直角,则这两条直线在这一边必定相交。
拓扑结构
直观上说把拓扑结构想象成复杂网络中节点与节点之间的关系,一般会用邻接矩阵去描述节点,边之间的距离,但直接从邻接矩阵中我们无法得出点与点之间的空间关系,在离散数学里面我们用矩阵自乘来知道点和点之间隔了几跳,但同时,从矩阵的角度来说矩阵自乘就打乱了矩阵内部的结构,不再想是欧几里得结构那样,所表示的矩阵只能进行平移和旋转,这也成为了区别之一。