前言：

{

    之前的神经网络实践还卡在硬件上，不过目前已经打算先使用云设备，下次应该就会继续进行多目标识别的调试。这次就先写一点零散知识。

    在专利[1]中我遇到了新的观点——字典学习（Dictionary Learning）。

}

正文：

{

    资料[2]让我想起了之前学习的线性代数知识，当时学线性组成和线性相关时我也是想到了人对事物的理解（或者说我对事物的理解）：首先通过之前的经验形成一组基，之后通过这组基来线性组成（理解）新旧事物。我认为这和今天说的字典学习很像。

    回到正题，设X代表源数据，D代表字典，Z代表稀疏编码矩阵，即得图1。

   

    可以看到，字典就像一个编码解码器一样，Z的数据量比X的小。

    字典的学习公式在[1]中如式1。

   

    可见此式即考虑了解码数据与原数据的距离，又考虑了生成的编码的大小。

    在[2]中，字典里的原子如图2。

    其中每个原子都是训练得到的。值得注意的是，[2]中的原数据被划分成了与字典原子维度一致的pitch（块），也就是说上述X和Z实际上都是小块，并且这些原子都是基于pitch得到的（在资料[3]中原子就是部分pitch，更新也就是使用某个pitch来更换某个原子）；相应地，解码输出也是对应的pitch。

    图2是一种方法的结果，其中image的左边是原数据，image的右边是解码数据，difference是image与原数据的差别。

    可以看到，编码解码后还是会损失部分细节。

}

结语：

{

    本来这次想记录对专利[1]的理解，但其中数学公式太多，也需要很多时间。所以这次就先简单记录一下字典学习的概念，现在的时间和精力还不能分配到这上面。

    这次就先用点零散知识充数，我也尽量保持3天1更。

    参考资料：

    {

        [1]《基于原子拉普拉斯图正则化的半监督字典学习的样本类别归类方法》（CN 108564107）http://so.lotut.com/patent/search/article.html?patent_id=5bbffae4d827b71f1b11b780

        [2]https://www.cnblogs.com/hdu-zsk/p/5954658.html

        [3]https://www.jianshu.com/p/f6e5d1cd21b9

    }

}