原理：任何的函数都能被表示通过点，所以，一个点的集合能表示任何的线段，所有线段的集合，能表示任何的二维函数 ，同理三维四维也都是二维以为能表示的，所以只要 使用离散的点的集合 就能表示任何的 函数
任何数据都是点的集合：目前人类收集所有的数据，都是符号，也都可以使用数字表示，也就是说任何数据就是点的集合。
假设，想找到列表data的数据和列表result 之间的联系，不能直接使用任何的神经网络去建立联系
为什么这么说 ，假设目前的函数在某个区间（a，c）范围内是由L1和L2组成的
L1是在（a，b）（a<b<c）区间有效 而L2实在（b，c）区间有效
但是，我们收集的数据是我们不知道是落在那个区间，所以在训练的时候就算没有对结果有影响还是会拖慢训练的时间
所以如果在训练之前我们就将数据分开，分别训练最后再根据不同的数据训练（拟合）不同线段，这样就相当于划分了区间
当然我们是不知道数据应该如何划分的说以要采取，自定义神经网络，自动将
数据分成几类，也就是几个区间的数据（无论怎么分类都无所未，什么方法分类都是将有共同点的数据，集合到一起，只要后期已按照这个共同点查找即可，这个共同点也是我们所需要的拟合出来，这就足够了，就如同这个世界一样，对错只是自我的衡量标准）
有几类就有几个神经网络，
假如我们的数据是
输入
[
[4,6,8,11,30,33,11],
[3, 14, 20, 24, 26, 33, 10],
[6, 11, 16, 19, 21, 25, 1],
[6, 15, 18, 19, 24, 32, 9],
[1, 8, 19, 24, 29, 30, 4],
[2, 9, 13, 15, 22, 30, 15],
[1, 2, 6, 12, 16, 18, 8]
]
输出数据
[
[4,6,8,11,30,33,11],
[3, 14, 20, 24, 26, 33, 10],
[6, 11, 16, 19, 21, 25, 1],
[6, 15, 18, 19, 24, 32, 9],
[1, 8, 19, 24, 29, 30, 4],
[2, 9, 13, 15, 22, 30, 15],
[1, 2, 6, 12, 16, 18, 8]
]
假设经过分类神经网络后将其分为3类
[4,6,8,11,30,33,11],
[3, 14, 20, 24, 26, 33, 10],
[6, 11, 16, 19, 21, 25, 1],
×××××××××××××××××××
[6, 15, 18, 19, 24, 32, 9],
[1, 8, 19, 24, 29, 30, 4],
××××××××××××××××××
[2, 9, 13, 15, 22, 30, 15],
[1, 2, 6, 12, 16, 18, 8]
那么就设计3个同样结构的神经网络，
一类数据输入和对应的输出进行神经网络的训练优化，得到模型1
二类数据输入和对应的输出进行神经网络的训练优化，得到模型2
三类数据输入和对应的输出进行神经网络的训练优化，得到模型3
两个神经网络之间没有反向优化的联系所以叫做离散神经网络
组成
自定义分类神经网络------类别---------拟合神经网络------------ 模型1
2 模型2
3 模型3
模型之间也独立，拟合时候也独立互不干扰
这就像人的细胞分裂，而后分化成不同的组织 器官 互不干涉
只是 共同承担着 生命的延续
三个模型服务一种功能
