宽度学习与深度学习中的时空转化问题

大家好，又见面了，我是你们的朋友全栈君。

ž在自然界中运动是绝对的，静止是相对的。这句话也说明了深度学习过去、现在、未来。由于我发现山东大学有个组和澳门大学陈俊龙团队的宽度学习、极限学习等。
目前由于神经网络是黑盒研究、所以很多人利用反卷积和卷积可视化来解释这种微分和积分的编程，由于冗余和稀疏特性使用微积分或者差分求导数和偏导是必然。
宽度学习文章和代码研究地址：http://www.broadlearning.ai
在深度学习上目前比较流行的：DBN深度信任网络、DBM（深度玻耳兹曼机）、CNN（卷积神经网络）、RNN（循环神经网络）、自编器。
SLFN（单层前馈神经网络）应用在回归和分类，由 Yoh-Han Pao 教授在 1990 年代提出的随机向量函数链接神经网络（random vector functional link neural network，RVFLNN）提供了不同的学习方法。
特征提取和降维
实现效率突出的特征提取常用方法包括，变量排序（variable ranking），特征子集选择（feature subset selection），惩罚最小二乘法（penalized least squares），随机特征提取方法，包括非自适应随机投影（non-adaptive random projections）和随机森林（random forest）以及基于卷积的输入映射等等。

为了证明 BLS 的有效性，我们将与现有「主流」方法的分类能力进行比较，包括堆叠自动编码器（Stacked Auto Encoders，SAE），另一个版本的堆叠自动编码器（another version of stacked autoencoder，SDA），深度信念网络（Deep Belief Networks，DBN），基于多层感知器的方法（Multilayer Perceptron based methods，MLP）深玻尔兹曼机（Deep Boltzmann Machines，DBM），两种的基于 ELM 的多层结构，分别表示为 MLELM 和 HELM。在我们的实验中，网络由 10×10 特征节点和 1×11000 增强节点构成。相关的权重均为随机生成。

BLS 的测试精度以及其他所提到的深度算法测试精度如表格 1 所示。虽然 98.74% 不是最优秀的（事实上，深度学习的表现仍然比 SAE 和 MLP 好），BLS 在服务器上的训练时间被压缩到了 29.6968 秒。此外，应该注意的是，MNIST 数据特征的数量减少到 100。这个结果符合学者在大数据学习中的直觉，也就是现实应用中的数据信息通常是冗余的。
核心问题：深度学习和宽度学习的智能计算是在时空转换基础上进行的。
在操作系统中内存管理是多级页表来节省空间（这个就是深度的来源）
神经网络与深度学习入门教程中解释是：类比逻辑门微分编程计算技术做出来详细的Analogy的Logic Circuits和neural network，C++与C最大的区别在于bool计算和泛类编程。
同时为什么使用一种语言而不是其他语言，不是其他语言不行，而是python语言本身数据类型更加擅长与向量计算，C、C++、Java中封装的数组。向量容易升维成张量。张量流可以理解维矩阵，矩阵容易进行各种计算可以看看网易云上MIT的线性代数课程和台湾清华大学《线性代数》赵启超教授的课程就能体会到了，同时也是现代人工智能技术的基础。
目前的人工智能技术水平真心很一般不要听任何吹水，（可以上网看看：人工智能“农民工”中数据标记员）能很好的反应这一个事实。
辩证的态度看问题，目前只是深度学习比较流行和在某些领域比较擅长这种计算模型，在MIT和谷歌的数学和计算机科学这本书中有相关理论描述。从工业届考虑我们要根据不同的问题特征来选用不同方法，这种方法论就是学派。我们学东西最后如果能清晰的感受和利用学派的方向，那么我们在认知和实践上升华会到达一定程度。
机器学习有五大学派，我个人理解深度学习有三大学派。学习学习告诉我们要想更好：永无止境的接受新知识！让我们站在巨人肩上进步。