参考文献：深度学习如何提取特征
引题：
一个粗糙的想法，简单粗暴：
法1：每幅图我让机器一个一个像素看，从像素来说，它最能准确地表达某个具体的物体具体的姿势。可以想到，来了一个像素，你能干嘛，你能判断它是谁？逐像素，你只能：（1）对比一张图片和你有损压缩之后相差多少（2）设一个阀值，然后灰度分级。一旦涉及特征，不会只是像素（尽管有raw features ，但这是输入，之后会对它自动提取特征）。
法2：我可能直观地想到，把图片分成若干块，这些若干块中逐部分去和其他图像对比，选择和它相似的块数最多的。这样的分割有点滑稽，比如你分割到物体中间的部分，全是一种颜色，你去搜索和它相似的？那你只能够搜到衣服相同的人了，不同的只是少部分。比如，你看一个陌生人的衣服，你能记住他吗？
法3：提取某种特征。手动选，如sift，hog,harris...
法4：......
法N（N>=4）：其实对于图片来说，如果表达式很关键的。比如，对于我们人类来讲，轮廓是一种特征。人类如果只用轮廓就能达到很高的识别度，如素描。机器也应该存在某种描述方式。因此，描述方式才是最重要。
思路：
竟然描述方式这么重要，那我给出人脑的粗糙分层习惯：
先看眼睛感受到一些聚集的像素，然后逐渐判断出分别是手，脚，腰，头，然后再上半身，下半身，然后整个人，最终判断出谁。看起来有点诡异，貌似我们就看高度、肥胖、脸，甚至是先整个人，然后看细节（判断方式）。也许这么说是对的，但是从描述的方式来看，底层到高层是没有问题的，因为他们是组合关系。你不可能先有整体的描述，在分解出细节的描述。假如有，先整体描述，整体怎么描述？（描述方式）。
讲个故事：
1995年，两个学者找到许多黑白照片，他们从中精心挑选出400个patches，记为si,i=1,2,...,400。然后从黑白照片中任意找一个patches 记为T,他们发现：
那么，如果“精心挑选”呢？他们这样做（ 稀疏编码）：
稀疏编码是一个重复迭代的过程，每次迭代分两步：
1）选择一组 S[k]，然后调整 a[k]，使得Sum_k (a[k] * S[k]) 最接近 T。
2）固定住 a[k]，在 400 个碎片中，选择其它更合适的碎片S’[k]，替代原先的 S[k]，使得Sum_k (a[k] * S’[k]) 最接近 T。
经过几次迭代后，最佳的 S[k] 组合，被遴选出来了。令人惊奇的是，被选中的 S[k]，基本上都是照片上不同物体的边缘线，这些线段形状相似，区别在于方向。
这意味着：
复杂图形，往往由一些基本结构组成。比如下图：一个图可以通过用64种正交的edges（可以理解成正交的基本结构）来线性表示。比如样例的x可以用1-64个edges中的三个按照0.8,0.3,0.5的权重调和而成。而其他基本edge没有贡献，因此均为0 。
扩展：
另外，大牛们还发现，不仅图像存在这个规律，声音也存在。他们从未标注的声音中发现了20种基本的声音结构，其余的声音可以由这20种基本结构合成。
分层的思想：
既然这样，我们可以创建更多的层次：
例子1：
例子2：
