按正常路子，讲泛化应该先说传统机器学习中泛化是什么，神经网络泛化有什么不一样，但是……。难道除了传统机器学习其他语境中没有泛化吗?我觉得其他地方肯定有泛化的近义词。都说学英语最好的方法是在环境中学习，多接触近义词，我认为学深度学习也一样。
在做深度学习实验的时候我们认识的泛化是这样的：泛化是指从训练集中学习得到的模型参数在测试集中是不是也好用，好用则泛化好，不好用则泛化不好。
当年我学习深度学习最喜欢思考的一个例子分男女问题。当一个人还没有对象时候，会想找对象，通过认识地理位置接近或者网络位置接近的人扩展生活圈。为了确定是不是我们的潜在对象，第一步要确认对方的性别，会想知道他是男是女。先确定是异性，再调动自己的勾搭程序。
当年还没结婚的时候，这个判别过程在大脑中启动的很频繁。
我觉得大家应该都有自己的套路，我比较常用的是看头发，男的通常短，女的通常长。然后通过其他位置（如身高，服饰，胸部，胯下，胡子，面部皮肤，肩膀整体感）信息确认，如果符合就在心中下个定论，男的或者女的。然后思维进入选候选对象的下一个过程。
举一个比较容易迷惑的例子。有一类，短发，胸部不是很大，不高，短发，男性服装（运动衣或衬衫毛衣，宽松牛仔裤），皮肤光滑，。这类人成都重庆比较普遍，在沿海不多。头一次见到的时候觉得颠覆世界观（短头发，男性服饰，女的？？），很疑惑，就偷偷盯着别人胸部仔细寻找起伏。
现在来理一下这个识别的整个过程。首先先看，一般先注意到头发、身高、服饰信息等很容易注意到的信息。因为容易注意，且区分度还可以，效率也高，但也容易存在一些反例，比如例子中的：头发-男，身高-女，服饰-男。如果判断都一样也ok啦，但是如果出现矛盾，就倾向于找更靠谱的信息，第二性征，或第一性征——偷看胸部。
所有特征按靠谱程度可以排个顺序：
第一类，最靠谱，第一性征，和第二性征
第二类，次靠谱：皮肤，女性服饰，长头发，腿型
第三类，次次靠谱:身高，男性服饰
说起来，结婚后看过中医，又继续研究脊柱弯曲，套路又多了一些。所以，每个人有一套自己的识别方法，细节上不同。而且所处地域风俗的不同，平时接触样本不同，也会有很大差异。但是最靠谱的方式应该是没有意义的。
在识别没有见过的人的性别的时候，第一类方法最靠谱，第二类方法次靠谱。
这句话的机器学习版本：在测试集（没见过的人）上测试分类（识别性别），第一性征方法识别率最高。即第一类方法泛化性能最好。
某天去苏格兰，用国内习得的根据服饰判别男女方法看到苏格兰裙，肯定又要被刷新世界观。(在一个同属于一类问题——人类男女问题——的测试集合（苏格兰）中，裙子方法不那么泛化，第二性征方法比较泛化。)
所以在我浅薄的认识里面，泛化就是普遍性靠谱的意思。一个模型就是一组串联或并联的“如果……则……”句式，一个模型的泛化就是一组“如果……则……”句式的的普遍性和靠谱程度。
英文泛化：generalization 有道德翻译是：
原来英文本意就有普遍性的意思，泛化听着好听，在用的时候有点绕。
写完普遍性还很想写，为什么一个模型是一组如果则句式，还有我对泛化比较数学化一点的理解。
