00 项目导览与学习路线
文档摘要
第 0 章 项目导览与学习路线 在写任何一行代码之前，先回答三个问题：持久同调是什么？Ripser.py 帮你算什么？这套教程怎么读？ 0.1 持久同调与 Ripser.py 是什么 拓扑数据分析（Topological Data Analysis, TDA） 研究数据背后的「形状」：连通分量、洞、空腔……这些特征对噪声和变形往往比原始坐标更稳健。 持久同调（Persistent Homology） 是 TDA 的核心工具：你在不同尺度上观察数据的拓扑结构，记录每个特征「何时出现、何时消失」，得到 持久图（Persistence Diagram） 或 条形码（Barcode）。 Ripser.
第 0 章 项目导览与学习路线
在写任何一行代码之前，先回答三个问题：持久同调是什么？Ripser.py 帮你算什么？这套教程怎么读？
0.1 持久同调与 Ripser.py 是什么
拓扑数据分析（Topological Data Analysis, TDA） 研究数据背后的「形状」：连通分量、洞、空腔……这些特征对噪声和变形往往比原始坐标更稳健。
持久同调（Persistent Homology） 是 TDA 的核心工具：你在不同尺度上观察数据的拓扑结构，记录每个特征「何时出现、何时消失」，得到 持久图（Persistence Diagram） 或 条形码（Barcode）。
Ripser.py 是 Python 生态中计算 Vietoris-Rips 持久同调的主流库之一：
- 底层用 C++ Ripser 引擎，速度在同类工具中属于第一梯队
- 提供函数式接口
ripser()与 sklearn 风格Rips类 - 支持稠密/稀疏距离矩阵、自定义度量、贪心置换子采样、Lower-Star 过滤、代表上循环等
点云 / 距离矩阵 / 图像 │ ▼ Vietoris-Rips 或 Lower-Star 过滤 │ ▼ 持久同调计算（Ripser 引擎） │ ▼ 持久图 dgms + 可选 cocycles │ ▼ 可视化 / 向量化 / 下游机器学习
0.2 技术栈一览
| 类别 | 选型 | 作用 |
|---|---|---|
| 核心计算 | Ripser.py（C++ Ripser） | 计算持久同调 |
| 数值基础 | NumPy、SciPy | 点云、距离矩阵、稀疏矩阵 |
| 距离度量 | scikit-learn pairwise_distances |
欧氏、曼哈顿、余弦及自定义度量 |
| 可视化 | persim | 持久图、条形码、瓶颈距离 |
| 可选示例数据 | tadasets | 球面、圆环等标准点云 |
0.3 你能学到什么
| 能力 | 对应章节 |
|---|---|
| 理解单纯形、链复形、同调群与持久同调 | 第 2 章 |
| 搞懂 Vietoris-Rips 过滤如何随半径增长 | 第 3 章 |
用 ripser() / Rips 计算并解读 dgms |
第 4 章 |
| 用 persim 画持久图、比较两次实验 | 第 5 章 |
| 处理距离矩阵、稀疏输入与大规模子采样 | 第 6 章 |
| 对图像/时序做 Lower-Star 过滤 | 第 7 章 |
| 提取代表上循环、切换系数域 Z/pZ | 第 8 章 |
| 参数调优、性能与工程落地 | 第 9 章 |
| 接入 ML 管线、了解 Ripser++ 等方向 | 第 10 章 |
0.4 Ripser.py 能力模块划分
┌─────────────────────────────────────────────────────────┐ │ Ripser.py 能力全景 │ ├──────────────┬──────────────┬──────────────┬─────────────┤ │ 点云 VR │ 距离矩阵 │ Lower-Star │ 上循环 │ │ 过滤 │ 稠密/稀疏 │ 图像/时序 │ 与系数域 │ ├──────────────┴──────────────┴──────────────┴─────────────┤ │ 贪心置换子采样（近似加速） │ ├──────────────────────────────────────────────────────────┤ │ sklearn 风格 Rips + persim 可视化 │ └──────────────────────────────────────────────────────────┘
各模块在后续章节逐块展开，第 2 章先建立数学底座。
0.5 建议学习顺序
路线 A：先会用再懂原理（赶项目）
第 0 章 → 第 1 章 → 第 4 章 → 第 5 章 → 第 9 章 （跑通） （API） （看图） （调参）
路线 B：系统学习（推荐）
第 0 章 → 第 1 章 → 第 2 章 → 第 3 章 → 第 4～8 章 → 第 9～10 章
路线 C：数学背景弱
在第 2 章多花时间，配合附录 A 术语表；第 3 章看 ASCII 图理解 VR 复形即可，不必先推公式。
0.6 与相关项目的关系
| 项目 | 关系 |
|---|---|
| C++ Ripser（Ulrich Bauer） | Ripser.py 的计算内核来源 |
| Ripser++ | GPU 加速版，适合超大规模 |
| GUDHI、Dionysus | 其他 TDA 库，API 与过滤类型不同 |
| persim | 持久图可视化与距离，常与 Ripser 搭配 |
| giotto-tda、teaspoon | 高层 TDA + ML 封装，底层可调用 Ripser |
0.7 学习心法
- 持久图上的一个点 = 一个拓扑特征的生死记录。birth 是特征出现时的过滤参数，death 是特征被填平时（或过滤结束）的参数。
- H0 数连通分量，H1 数洞，H2 数空腔——维数越高，对采样密度和计算成本要求越高。
- 远离坐标轴的点往往更「显著」——持久性（death − birth）大，更可能是真实结构而非噪声。
- 读十遍不如改一个参数看变化。每章动手实验是理解的关键。
0.8 动手实验（导览级）
- 安装依赖后运行第 1 章最小示例，确认能弹出持久图窗口。
- 对比「圆环点云」与「均匀随机平面点」的 H1 持久图差异——为第 2、5 章预热。
- 浏览附录 A，勾出 5 个完全不认识的术语，作为阅读第 2 章时的检查清单。
本章小结
- 持久同调在不同尺度上追踪拓扑特征的出生与死亡，输出持久图。
- Ripser.py 以 C++ Ripser 为核心，提供高效的 VR / Lower-Star 持久同调计算。
- 本教程从数学概念到 API、可视化、加速与工程实践，共 10 章 + 3 附录。
- 建议按路线 B 系统学习，每章配合动手实验。
下一章：环境准备与首次跑通——5 分钟内得到你的第一张持久图。