從一篇文章開始的學習：Representation learning of RNA velocity reveals robust cell transitions

知乎上的通俗解釋：

• 如果你想要用一種方式來說明一個人臉，你會怎麼做呢？
• 你可能會用一段話來表示：“這個人是國字臉，眼睛很小，鼻子……”；
• 也可能會用一串數字表示：臉的長度、臉的寬度、頭髮的根數、鼻子的長度……；
• 也可能你把這個臉的照片放在一個座標系中，用臉上的每一個點的組合來表示。

這樣各種各樣的方式，就是“表示”。

我們的表示學習，就是想要找到一種方法來做這個事情。

在計算機中，其實一切都是數字。我們要把一個臉儲存起來，就把這個臉換成一系列數字（也就是一個向量）。那我們怎麼從一個臉得到一個向量呢？

• 很久之前，還沒有神經網路、深度學習的時候，你可以寫一個規則，東量一下西量一下，把測量結果按照你規定的方式寫在向量裡面，就可以了；
• 但是這樣的方法畢竟是人確定的，人難免會出錯，並且這樣也很麻煩呀。所以我們就可以用神經網路，把人臉作為輸入，用某一個任務（比如人臉匹配）進行訓練，中間的某一個結果就可以認為是這個人臉的表示啦。
• 我們通過神經網路找到了一個人臉對應的這一個向量，但是更重要的是：我們得到的神經網路其實就是一個表示人臉的方法了！
• 所以，通過這個訓練，我們學會了如何表示一個人臉。

這樣就是表示學習。我們學習到了表示的方法。

表徵（representation）、特徵（feature）、編碼（code）其實三個詞都是同義詞.

待續~

參考：

• 什麼是Representation Learning？
• 什麼是表示學習(representation learning)表徵學習 表達學習