维度

在调查某些几何问题时，你可能想要问自己一些问题，以缩小问题的范围。 你要处理多少个维度？它是 2d，3d，特定数量的更高维度，还是不考虑维度？ 在二维几何体的情况下，它是平面几何体，还是像球形几何体一样，在处理地理坐标时会遇到什么？ 你在寻找确切的解决方案，还是可以接受数值近似值？实际上，精确的几何形状变得很快，因此在实践中使用浮点近似是很常见的。 你需要与特定类型的框架接口吗？如果是这样，他们如何描述几何对象

最近在和研一学弟学妹交流的时候，发现它们对深度学习中一些非常基础的概念不是很理解，于是我想做一个汇总，大家有认为不太好理解的概念，可以在评论区提出，我会逐渐添加到这篇文章中 分布（distribution）：分布不是让你真的去算这个一系列数据属于正态分布还是均匀分布等，而是一种大致的感觉，例如别人和你说，我们的数据分布特别不均衡，这个人所说的数据分布指的就是各个类别样本的数量比例；再比如别人和你说，这个样本的预测概率分布比较均匀，其实他的意思就是这个样本预测的概率向量比较均匀，例如一个二分类问题，那可能就是[0.50.5]这样，当然实际上这不是什么好的情况，因为这样我们就不知道这个样本到底该被预测为哪个类别了 维度（dimension）：维度分两种情况理解。假设一个人和你说：“这个数据的维度是2维的”，那其实就表示这个数据是一个矩阵；如果一个人和你说：“它的维度是128维”，那其实就表示矩阵中的某一个位置维度是128维的，比如一个句子经过WordEmbedding之后它的维度是[batch_size seq_len emb_dim]，那么我说emb_dim这个位置的维度是128维的 学长，我今年研一，两年制硕士。目前已经看了吴恩达和李宏毅还有部分李沐的课程，感觉对于深度学习的理解还停留在理论阶段，应该怎么规划实践路线呢，因为老师没有项目，自己又不知道该怎么沿着一条路系统地提升，有些焦虑

名词解释:　空间为三维度，平面为二维度，点为零维度。碎形维度，其维度为非整数。一个简单的例子是康特集合(cantor set)