基于神经网络和编解码的个人思考（一）

基于神经网络的编码认识和思考

神经网络，重在ecoding和decoding，其中的输出层和输入层作为铺垫，核心的则是隐藏层。attention机制，CNN，ANN，LSTM,BP，等许多已有的经验和知识作为新技术和创新的基石。隐藏层中的感知机，梯度下降，函数tanh,sigmoid,Relu，DCT，傅里叶，拉格朗日，等已成熟的理论可方便被调用使用。

视频及图像编解码的成熟技术

关于编解的技术和理论：
1、耳熟能详的哈夫曼编解码是可变字长编码的一种：
核心在于理解取最小权重的值作为最底层数据，并两两加和形成新的节点进行数的构建，牵扯其中关于树的知识和数据结构的基础知识。
2、JPEG编解码：
关于图像有损的方向进行编解码，核心在于矩阵，DCT离散余弦变换，量化矩阵，之间的计算和数据的bit流计算。
3、H264、H265的无损压缩编码：
帧内，帧间的压缩。并且进行IDR,I,P,B帧之间进行规律性的压缩和编解码。难在无损，也价值于无损。内部的计算多是傅里叶，泰勒公式，拉格朗日和微积分的使用，进行对数据的剖析。
4、相关的算法：
包括snappy算法，gzip算法，Lz算法等。所有的共性，都是尽量使得数据向0&1靠近，向机器可以直接识别的模式靠拢。

FLowchart流程图

数据处理

绕不过去的坎，数据处理和分析，究竟使用什么方法进行数据之间的关系和函数的探索。各类机器学习的手段，聚类，回归，集成，决策树，最近邻，都可以去尝试。python 的sklearn或keras包中API都有。

最近思考的问题：

1、SVM将低维矩阵转成多维空间，并通过映射回低维后的数据规律探索，是否存在对编解码的价值？
2、神经网络的CNN,可以进行图片识别的核心计算，可否嫁接于视频的编码，对H264进行弥补？
3、神经网络的应用与编解码之间的共性，能否互不？神经网络多于应用层面发展，编解码多于底层发展，若是两者可结合，并进行深入，该多好。