PCA目的：这里举个例子，如果假设我有m个点，{x(1),...,x(m)}，那么我要将它们存在我的内存中，或者要对着m个点进行一次机器学习，但是这m个点的维度太大了，如果要进行机器学习的话参数太多，或者说我要存在内存中会占用我的较大内存，那么我就需要对这些个点想一个办法来降低它们的维度，或者说，如果把这些点的每一个维度看成是一个特征的话，我就要减少一些特征来减少我的内存或者是减少我的训练参数。但是要减少特征或者说是减少维度，那么肯定要损失一些信息量。这就要求我在减少特征或者维度的过程当中呢，尽可能少的损失信息量，这就是PCA算法的目的。

　　也就是说，对于我的每一个点我要找到一个新的表达形式，也相当于找到一个函数，让f(x)=c。

　　对于恢复来说，我们这里选择最简单的矩阵相乘的形式让我们的新的表达c变回n维。即，这里。

　　这里我们加一个约束，那就是D的列向量互相时间是正交的（注意：如果不是l=n的情况，D是不能说成是正交矩阵的）。

　　接下来我们就要将我们的想法转变为可以实施的算法了。

　　我们都知道在机器学习中，有一种函数叫做代价函数，英文是cost function， 这个函数的作用就是用来评估你模型的输入和输出之间的差距的。如果你的模型输出和输入的差距越大，这个cost function的值就越大。

　　我们借用这样一个思想，如果我要找到一个可以尽可能损失信息的c的表达，那我就让g(c)尽可能的和x相同，也就是构造了一个代价函数，我们的目的就是让这个代价函数的值变成最小。数学表达式如下：

　　　　　　

　　我们这里将这个欧几里得距离加上一个平方，我的理解是方便计算，反正增减性啊都是一样的。

　　那我们的表达式就变成了这样：

　　　　　　　

　　等式右边这一项等于：

　　　　　　

　　这里是因为x和g(c)都是n维向量，的结果是一个标量，就是一个数，转置自然等于自身啦。

　　那么现在我们的问题变成了这样：

　　然后我们把g(c)带入公式中：

　　　　　　　　　　　　

　　　　　　　　　　　　　　

　　还记得D的约束吗？D的列向量相互之间是正交的，所以D^TD=I。

　　那么到现在为止，我就可以得到我这个式子的结果了，对上面这个表达式对C求导：

　　　　

　　现在我们发现，要想对x进行PCA处理，我们只需要找到这个矩阵D，然后让它的转置乘以X就好了。

　　即PCA和解码的过程就是：

　　那么现在我们来算这个矩阵D。

　　

　　还是根据代价函数的思想，我们得到了上述公式。

　　为了得到这个算法，我们首先考虑最简单的l=1的情况。也就是说，D中只包含了一个向量d。

　　这样我们得到：

　　我们将这个公式美化一下：

　　然后我们将所有的x点都带入进去，统一用X表达，X就是一个m*n的矩阵。

　　

　　经过一个等价变化我们得到了有关于矩阵的迹的表达式：

　　　　　　　　

　　

　　这中间我们去掉了与d无关的项。

　　　　　　

　　　　　　

　　然后我们进行一下化简：

　　　　　　　

　　　　　　　　

　　那现在这个问题就可以根据特征值来求解了。得到的d就是X^TX的最大的特征值对应的特征向量。

　　那么对于l>1的情况，DD就是最大l个特征值对应的特征向量的组合。

　　参考自：Deep Learning 。作者：Yoshua Bengio, Ian Goodfellow, Aaron Courville