Representation Learning | 表征学习
从一篇文章开始的学习：Representation learning of RNA velocity reveals robust cell transitions
知乎上的通俗解释：
- 如果你想要用一种方式来说明一个人脸，你会怎么做呢？
- 你可能会用一段话来表示：“这个人是国字脸，眼睛很小，鼻子……”；
- 也可能会用一串数字表示：脸的长度、脸的宽度、头发的根数、鼻子的长度……；
- 也可能你把这个脸的照片放在一个坐标系中，用脸上的每一个点的组合来表示。
这样各种各样的方式，就是“表示”。
我们的表示学习，就是想要找到一种方法来做这个事情。
在计算机中，其实一切都是数字。我们要把一个脸保存起来，就把这个脸换成一系列数字（也就是一个向量）。那我们怎么从一个脸得到一个向量呢？
- 很久之前，还没有神经网络、深度学习的时候，你可以写一个规则，东量一下西量一下，把测量结果按照你规定的方式写在向量里面，就可以了；
- 但是这样的方法毕竟是人确定的，人难免会出错，并且这样也很麻烦呀。所以我们就可以用神经网络，把人脸作为输入，用某一个任务（比如人脸匹配）进行训练，中间的某一个结果就可以认为是这个人脸的表示啦。
- 我们通过神经网络找到了一个人脸对应的这一个向量，但是更重要的是：我们得到的神经网络其实就是一个表示人脸的方法了！
- 所以，通过这个训练，我们学会了如何表示一个人脸。
这样就是表示学习。我们学习到了表示的方法。
表征（representation）、特征（feature）、编码（code）其实三个词都是同义词.
待续~
参考：
