1、人脑视觉机理

        高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象，越来越能表现语义或者意图。 抽象层面越高，存在的可能猜测就越少，就越利于分类。

2、特征表示

2.1、特征表示的粒度

        学习算法在一个什么粒度上的特征表示，才有能发挥作用？对于一个图片来说，像素级的特征根本没有价值。无法分辨图片内容。

2.2、初级（浅层）特征表示

        Bruno Olshausen和 David Field 两位学者发明稀疏编码， 复杂图形，往往由一些基本结构组成。 一个图可以通过用64种正交的基本结构来线性表示。

2.3、结构性特征表示

        小块的图形可以由正交的基本结构构成，更复杂的图片可以通过更高层次的特征表示，比如V2，V4。

3、

3、 特征数量

        特征越多，给出的参考信息就越多，准确性会得到提升。 但特征多意味着计算复杂，探索的空间大，可以用来训练的数据在每个特征上就会稀疏，都会带来各种问题，并不一定特征越多越好。

 4、Deep Learning的基本思想

        设计了一个系统S（有n层，输入I），通过调整系统中参数，使得它的输出仍然是输入I，那么我们就可以自动地获取得到输入I的一系列层次特征，即S1，…, Sn。        

        对于深度学习来说，其思想就是对堆叠多个层，也就是说这一层的输出作为下一层的输入。通过这种方式，就可以实现对输入信息进行分级表达了。 

以上简要介绍特征的分层表示的内容，仅为自己学习需要，仅供参考。