深度学习教材与论文中，概率视图，probability view，是一个重要的理解工具，对于一般开发人员学习过程是一个很大的障碍，障碍的根源恐怕首先不是概率公式，而是使用概率的思维基础观念是什么。这一点，对于领域内长期研究者来说可能不是问题，这也是文献中基本没有人去展开谈论这个问题的原因。
其实这是一个典型的贝叶斯主观概率思想的使用场景。
分类问题的概率公式，p(y|x)：这里把输入x, 输出y当作两个随机变量（x当然一般是高维随机变量）。分类问题的目标就是要获得这个关于这两个随机变量的条件分布。要注意，这里并未涉及学习问题，只是用概率工具来表达分类机是什么。问题在于，有什么根据认为X和Y是随机变量呢？为什么当成随机变量来处理？这种处理起到什么作用？图片分类中，一张照片上是狗还是猫，照片（一个二维向量）是随机变量吗？狗和猫（一个二值变量）是随机变量吗？一张狗的照片，因为人一看就是狗，似乎是一种确定性关系，为什么要表述成随机变量之间的相关性呢？
所有这些问题的答案很简单：你把它看成随机变量，那它就是随机变量。这就是主观贝叶斯思想方法中的所谓主观。而它确实也为观察机器学习问题带来了有力的思想工具。其实这种思想在机器学习中的作用非常直接，因为机器除了观察到样本之外，没有任何人类所谓客观以及因果关系的先验知识，除非我们将某种prior传递给他，而这种prior也是以概率语言来表达。
可能更具困惑的是，模型参数。
模型参数也是随机变量，怎么理解？
首先，这时已经是在描述学习过程，也就是机器要根据观察到的一组带标签样本来“猜想”上述的p(y|x), 我们不难设想，仅仅根据观察到的一组样本现象，并不能确定性地获知组合分布是哪个，这仍然是一个“哪个最有可能是”的问题，因为有无数多的（x, y）分布可以产生这样的样本，只是有些组合分布以极其微小的概率产生它，有些以较大，很大的概率产生它，这个概率表示为那个组合分布的p(S)，也就是这个组合分布下所观察到的样本集合发生的概率，可以进一步表示为
学习的目标，是要找到一个组合分布，这个组合分布使得样本集合出现的概率最大，也就是p(s)最大，也就是最大，后面还有进一步演算，但这不是关键，我们的目的是把贝叶斯主观概率在机器学习中的观念思想搞清楚。这时候，我们要找到一种组合分布，使得样本出现的概率最大，这个组合分布并不会被完全定义，而只需要p(s)最大即可。而这个组合分布实际上就是上文所说的分类推理机p(y|x), 这个推理机如果被表达为一个参数化的结构，比如神经网络，那它就可以用这个参数化结构的参数来定义。“找到一种组合分布”这个问题，就转化为找到一组参数，使得
最大。
理解到这里，基本的观念障碍，应该就差不多过去了
