从深度学习书中记录：统计学习理论提供了量化模型容量的不同方法。在这些方法中，最有名的是Vapnik-Chervonenkis维度，简称VC维。
个人理解：这句话表明VC维用来衡量模型的容量，或者说是power，即模型的拟合能力；
以VC 维度量二元分类器的容量，VC维定义为该分类器能够分类的训练样本的最大数目。假设存在m个不同的x点的训练集，分类器可以任意地标记该m个不同的x点，VC维被定义为m的最大可能值。
个人理解：VC维是该分类器最多能拟合的样本数量；这里有个基本要求就是当样本数量为m时，这m个样本可以是任意值；
举例说明：一个二元线性分类的VC维是多少呢？
对于三个样本点的情况：
对于这三个点可以实现任意分类；
结论：二维线性分类器的VC维是3，超过3个以上的样本点，该分类器就会出现无能为力的时候，无法进行正确的分类；
个人理解：大概明白VC维的功能就OK了， 没必要去刨根问底