前言
知识储备
表征学习
背后的核心思想representation learning ，不是试图直接对高维样本空间建模，而是使用一些低维潜在空间来描述训练集中的每个观察，然后学习一个映射函数，该函数可以在潜在空间中取一个点，将其映射到原始域中的一个点。换句话说，潜在空间中的每个点都是一些高维图像的表示。
这在实践中意味着什么？假设有一个由饼干罐的灰度图像组成的训练集。
很明显有两个特征可以唯一地代表这些罐中的每一个：罐的高度和宽度。给定高度和宽度，可以绘制相应的锡，即使它的图像不在训练集中。
但这对机器来说并不那么容易。它首先需要确定高度和宽度是最能描述该数据集的两个潜在空间维度，然后学习映射函数f，它可以在该空间中取一个点并将其映射到灰度饼干罐图像。得到的饼干罐潜在空间和生成过程如图所示。
深度学习使我们能够以多种方式学习通常高度复杂的映射函数 f。
使用表示学习的优势之一是可以在更易于管理的潜在空间内执行影响图像高级属性的操作。如何调整每个像素的阴影以使给定的饼干罐图像更高。
然而，在潜在空间中