第319章 神经网络(3/3)

递去。

最终这些信号传递到其他的轴突与树突，再激发他们产生信号，成为二级神经元。

像人类的视觉系统，便是通过1亿3千万光受细胞接受光信号，在通过120万节细胞轴突将信息从视网传递到大脑，形成了三维图形。

而机学习，便是要教给计算机，怎么把它接受的输结果和我们想要的输结果关联起来。

诸如看到一张图片，它能够理解这便是我们需要的数字1.

而这依赖的便是知，这也是名为神经网络的原因。

知，本便是模拟神经细胞，原先的生学名词都有了对应的新名字——

权量（突）、偏置（阈值）及激活函数（细胞）。

机无法理解一副图片，但是它可以把图片翻译为“像素阵”，然后这些阵以0与1输。

林奇默默在地面上化了一个初中生熟悉的xy坐标轴，同时在上面了(1，1)(-1，1)(-1，-1)(1，-1)这四个左边，它们连接起来便是一个正方形，而这四个左边分别坐落在四个象限。

机学习需要的便是让机知晓诸如（2，2）这应该算作哪一个象限？

这便需要神经网络算法的“分类”作用。

这里输是一个（2，2）的坐标，它是一个1乘2的矩阵，这是输层。

设定50个神经元，所以它便是一个1乘50的矩阵，这是隐藏层。

而结果1-4象限，则是一个1乘4的矩阵，这是输层。

据线代数的知识，可以知矩阵之间是能够沟通的，所以一个输层的1乘4矩阵可以用最初的1乘2输层矩阵表达。

这其中的作，便在于为这个矩阵运算添加激活层以及输正规化，再通过叉熵损失来量化当前网络的优劣，最后再行参数优化。

这个过程所需要的便是反复迭代。

重新走完这个过程后，林奇也不禁慨地叹息数分。

他还记得大学的毕业论文课题，当时都是由各个导师据自己的专业范围制定题目，然后再由学生们报名选择。

当时林奇选的慢了，最后剩的都是若不好啃的“算法题”。

毕竟算法，墓地就是优化它的参数，让整个计算时间短一些，效果更确，最终更优化些，可是每年一代又一代的学生，早已把沙漠上明显的宝石捡走了，剩的方法也就研究生博士生的路，自己圈一块地，继续往挖，想要靠着视野一就挑钻石，那本是无稽之谈。

而林奇最终思索数番，选择的是一遗传算法全局最优的题目，结果当时matlab早就有一整成熟的工包，林奇还是老老实实地自己编写函数，最终凑一篇勉的论文。

最终面对评审专家提问创新之时，林奇也只能面前回答，他用的这几个参数组合，未见与前人文章，这才勉划过去。

而他那位选择了神经网络算法的舍友，当场被质疑模拟数据造假，差延毕。

后来为了帮助舍友，林奇当时算是第一次接神经网络算法。

毋庸置疑，在神经网络算法里，秘能场参数便是“输矩阵”，法术模型结果便是“输矩阵”。

随即，林奇在地面是书写了一段文字——