我们现实世界中很多问题其实都是可以模型化的，而为了更好的描述并解决问题，数学家们人为创造了很多符号方便我们理解客观世界的规律。根据以往数学建模的经历加上对神经网络的理解，我发现可以从“维度”的角度去理解神经网络。

首先一般的几何思维都知道0维是一个点，一维是一天线，二维是一个平面，三维是一个立方体，那么四维是一开始伽利略发现的时间维，最后被牛顿总结，再被爱因斯坦进一步解释的广义相对论。

那么我们的现实空间中存在高维吗？答案是肯定的。比如，我们现在要做一个简单的决策，现在有四部电影可供选择：《黑客帝国》《天空之城》《三生三世十里桃花》《憨豆先生》，这时已经约好和朋友小明一起去电影院看电影，应该选择看哪部电影呢？这里涉及到一个问题：你是如何做决策的呢？

首先，这里先明确一个维度，叫时间。现在其实你可以想不都用想就下单《黑客帝国》，是因为小鱼是喜欢看科幻和动作类型的电影。这是你做出决策的判断信息，但是在三年前你们还不熟的时候，也许会问上一句：你喜欢看哪部电影？

那么在时间维度的基础上，这三年间发生了什么呢？首先，你了解到这个人的一些基本信息，比如身高178，学历是本科，中国人，大学参加了话剧社等等…这些都是可以具体写在纸上的具体的特征，叫做可观测特征。经过三年的相处，你会获得越来越多小明的可观测特征，比如大学是否拿了奖学金，有没有去国外旅游，毕业后找了什么工作。有时候也会跟你分享看过的电影，并且给每部电影都打了自己的分，比如《夏洛特烦恼》不太感冒，《情书》一般3.5分，《小时代》根本不会去看，《当幸福来敲门》还不错4.5分等等。

终于有一天，你终于发现你了解了很多小鱼的隐含特征，比如说小鱼喜欢吃甜食，小鱼是个路痴，小鱼看过很多科幻片。这些信息并不是可以被我们直接收集到的数据，一般是通过总结和分析而得到，而这些信息通常是拿来预测（做决策）的最重要的特征，叫做隐含特征。

对应的，可观测特征是通过听和看直接获取的信息，作为神经网络的输入层。输入层的每一个节点都是智能体可观测的特征，了解的越深，说明数据的维度越高： 那么把这些可观测的特征放在一个n维空间里面就可以得到“小明”（张量）具体的表示： 那么这里的输出端代表的则是四部电影： 这时，一个代表小明的n维空间要进入这个神经“大脑”去做决定选择哪部电影，但是这个n维空间无法直接预测或者判断究竟选择哪一个，此时就需要隐层的接入： 隐层代表了隐含特征，它可以有很多层，预测目标不断向输出层迈进。（为了方便介绍，这里只说明一层隐层）隐层是一个不同于输入层的m维空间，小明在这个m维空间上也有一个表达方式。从输入层的n维空间变换到隐层的m维空间，就可以获得小明的喜好类型：

这就有利于对“大脑”的下一步选择做出预测（决策）了。这个步骤就叫做高维空间的变换。神经网络的训练则就是在寻找这个变换映射的参数。层与层之间的信息传递都是一个空间变换，而由最后一个隐层到输出层就是最后的决策（决策）。 关于空间变换的坐标系变化规则参考解析几何和线性代数，这里需要划重点的地方：n维空间到m维空间， （1）事物的参考系变了； （2）描述事物的坐标值变了； （3）被描述的客观事物是恒定不变的“存在”。 综上，高维不见得是一个现实存在的几何事物，更像是一个描述客观存在的隐含规律。

我认为在高维空间的生物是一定存在的，我们经常说的用发展的眼光看问题，深谋远虑，站得高看得远，实际上都是在描述做决策时体现的高瞻远瞩，比如现在看当年的马云，可如果几十年前的你就可以看到如今社会和科学发展的样貌，对于当时的人们来说不就是“降维打击”吗？

本文参考的视频是https://www.bilibili.com/video/BV1UV411r72v 作者：眼见为识