深度学习中的降维操作——PCA（主成分分析）

前言：

深度学习是个很有意思的话题：

1.对线性不可分的数据，其方法是通过增加隐层神经元的数量，将低维不可分的数据映射到高维，使得数据可分（如单隐层感知机训练异或门）

2.对特征维数过高的数据（如mnist手写识别中的维度为28*28），将对数据进行降维操作，通常的降维操作有PCA（主成分分析）与dA(降噪自动编码器)。

下面是对PCA的工作流程的简述，之后对工作流程进行数学上的解释。之后有的部分摘自别人的博客，在段尾标注了文章转载处。

Part 1 : PCA的工作流程：

 1. 输入的数据为m个n维的样本组成的矩阵A，m*n

 2. 矩阵的每一列为样本的一个特征的各种取值，计算每一列的值的均值，用每一列的值减去其均值，得到特征中心化后的矩阵B=（X_i - u_i）

 3. 求矩阵B的