2022.10.30 Sunday @BJ
在我的云南老家，有一些匠人，具有高超的铜器制作技艺，比如可以用一块铜板打造香炉。中学时上学要路过镇上最有名的铜匠铺，所以对铜匠技艺有很深的记忆。印象中，匠人主要就是把铜加热后再用几个锤子敲来敲去，经过反复锻造，就可以造出精美的器物。
这几年我对逼近论有一些兴趣，回想起来老家的铜匠技艺，转化为数学问题，说的是用锤子可以将一个圆盘变成任意想要的形状。当然，这里转变的形状应该视为微分同胚。
锤子的敲击，可以看做是一个固定映射 （如果用两种锤子，就考虑两个固定映射
，以此类推），确定敲击的位置可以视为一个线性映射
。反复敲击，对应的是函数的复合。比如
对应的是把铜片换个位置敲一下。经过这样的对比，铜匠在做的事情，和人工神经网络在做的事情是一样的。不同的是，神经网络里面的线性映射可能要改变空间的维数，也就是说
不一定是方阵。而铜匠只能在原有空间中操作，需要
是方阵。
对深度学习有所了解的人应该都知道，神经网络具有万能逼近性，只要网络的宽度可以足够大（相当于把铜器放到高维空间中去锻造），那么它可以任意逼近连续函数。如果限制网络的宽度，那可能就没有万能逼近性了。实际上，如果逼近对象是 元连续函数，那么至少要求网络宽度是
，宽度小于
的话是不可能有万能逼近性的。
那问题来了，宽度始终为 的神经网络（深度不限），可以逼近
元连续函数吗？
已有研究表明：如果激活函数 是连续单调函数，要求的逼近是在最大模意义下，那么答案是否定的。所以我们需要放松一下条件，考虑
范数意义下的逼近，其中
。或者考虑在最大模意义下逼近微分同胚。由于维数大于
时，微分同胚对连续函数有
逼近性，所以考虑后者会更好一些。
问题变为：宽度刚好为 的神经网络（深度不限），可以逼近
的微分同胚吗？
如果让高级的铜匠来回答这个问题，他应该会一脸淡然地说，可以。经过深入讨论，我们发现答案确实是肯定的。我们可以证明下面的定理：
这里采用深度学习中比较有名的 leaky-ReLU 激活函数为例。如果定理中的微分同胚还是保持定向的，而且维数 ，那么我们还可以要求神经网络
的各个 layer 也是保持定向的微分同胚。
如果将上述结论翻译给铜匠朋友们，那就是本文的标题。只需要一种特殊的锤子，就可以将一块铜板打造成任意其微分同胚形状的铜器。
需要说明的是，这里有一点点偷换概念，铜匠考虑的线性映射是旋转+平移，而我们考虑的是一般的线性映射。不过，铜匠技艺给我们的启示已经很有价值了，不是吗。
