为什么大多数的神经网络都先升维再降维？
在知乎里面看到了一篇非常硬核的理论分析，其中想要完全看懂，需要至少掌握：
- 机器学习中《西瓜书》里的 VC 维（书中对这个有讨论，但是只有一点点）
- 泛函分析
- 随机过程
还是受限于“书到用时方恨少”，知识能力不足，吃了没文化的亏，导致不是能完全看懂这个分析文章
这里简短描述下哲学思想：
- 低维空间复杂的，不可分的任务，在高维空间很有可能是可分的，容易解的，这就意味着，一个很难的任务不过是高维空间中简单任务的投影（张一鸣语录中也有这个描述）
- 神经网络中处理的大多数都是不可分的，因此投影到高维空间，变得线性可分，从而简单求解
- 这种思想在传统机器学习中早有体现，那就是SVM，只不过需要手工设计核函数（之前的数学家们设计了非常多的性质良好的核函数，比如高斯核），而神经网络的升维也是核函数，不过是是动态的，可自动学习的，隐试的核函数。