为什么要降数据维度？
将高维度的数据降低维度，甚至使其在低维线性可分，就是计算机下一步要做的事情。
什么叫数据的高维度，在提取多个样本后，统一处理之前需要对数据做一些reshape至一维处理，然后通过一定方式连接起来，这样多个图特征就转成二维矩阵了。
计算机需要解决的问题，变成简单的：
AX+B=Y的问题了，X是输入，Y是输出标签，A是权重函数，B是偏移量。
对于手写字体训练的28乘以28的图片，原始有784个特征，那么按照这个矩阵方程，需要那么大数量的权重参数和偏移量需要细调，而且需要迭代成千上万次，只是一张图。
仔细观察这些手写的数字，我们会发现相邻像素具有很多相似的信息，完全可以通过某些方式，将这些图片的特征表述出来，用更少维度的特征。这里的维度，是数据量的大小表述。
低维度非线性化
原始图片得到的是灰度值，我们直接把灰度提取出来，就算在三维图显示，也很难观察它们之间差异；
在提取部分特征后，再在高维图显示，我们可以看到这些数据分布会有一些聚类性质。
模拟三维空间作多维，我们发现，在经过特征提取后，各个样本分布可能会达到这样的效果：多维空间可分。
然而计算机更擅长的，是做线性化处理。
Y=AX3+B*X2+CX+D
一个很简单的多维函数，图像那块，可能是百次方后的可分，如果你能把特征转为这种分布，把诸如X^3这种空间维度高的函数，或者tan、e指数等等，转为Z,W这种一维空间变量，是不是解决了高维度线性可分的问题。
而发现存在类似的多维空间分布，大概就是在做特征表述吧。