第164章 管挖不管埋（2 / 3）

《重生之AI教父》转载请注明来源：369小说网(369book.cc)

p>

把孟繁岐的技术直接拿到自己的小众任务上，你的代码技术很好，现在是我的了！

我运行一下，发现效果很好，超过了原本的世界纪录，迅速写作投稿水一篇文章，很舒服。

又或者是稍微调整了一下孟繁岐的某个结构，在他论文里报告过的任务上有了微小的提升，忽略自己改动的缺陷不提迅速写作，称自己超越了孟繁岐，水一篇文章。

这种拿来主义水文，创新度和工作量不够，价值大部分也很低，一般发不了太好的会议和期刊。

也入不了孟繁岐的眼。

而现在的第二波论文狂潮，则主要是基于孟繁岐指出的道路，创意上稍显不足，但工作量还是有的，值得稍微一翻。

主要思路就是遵循韩辞提出的理论解释，既然你最基础的欧拉前向效果这么好，那我就用更加复杂的形式来实现。

欧拉反向法，二阶中点法，四阶龙格库塔法，线性多步法等等。

“我在西尼会场的时候，将一整个深度网络模型解释为一种高阶多维方程，并将残差网络的训练行为定义为了一种求解方式，看来这个理论很受欢迎啊。”

孟繁岐看着自己挖的大坑这么多人往里跳，不由得笑道。

这个解释实在太合理了，也太符合直觉了。

要解释人工智能模型到底在做什么，有一个非常好的例子，就是进食和消化。

食物在胃中，随着时间变化的消化情况，可以由一个方程来表示，这是未知的函数。

根据这个函数可以计算食物吃下去之后，过任意时间之后，还剩下多少。

而所谓的数据，就是食物吃下去多久之后还剩多少，这部分情报。

这些数据点，每一个都会落在未知的函数上面，如果数据点足够多，就能够无限接近函数本身。

可以说，深度神经网络的训练过程，就类似于随机初始化了一个函数，给你一个x，算出来y`。

通过反复告诉它你算的y`跟实际上的y差了多少，从而让它能够尽量接近那个未知的函数。

所以理论上，只要数据样本足够，就总是能够获得最后想要的结果。

当然了，这是个非常简单情况的例子，实际上在拟合的方程，是人类目前难以实际分析和表达的复杂结构。

不过有一点是肯定的，那就是孟繁岐的残差思想，是通过提高了求解的精度来获得的巨额提升。

这是数值分析当中的概念了，如果把整个网络理解为一种非线性常微分方程，欧拉前向就是一种简单的单步显示迭代办法。

说人话就是，通过近似的迭代模拟，省略了复杂的求解过程。

让计算机直接算百层网络的情况，它算不明白，所以用反复的简单操作来代替。

简单的格式计算求解的准确度当然会差一些，复杂的格式，计算求解精确度会高很多，势必会使得模型的性能更好。

这是个基于理论得出的推断。

因此西尼那次国际计算机视觉大会之后，所有人都认为，孟繁岐不仅做出了突破性的成果，并且还给出了一个可以指引网络变得更好的理论方向。

真是活菩萨啊！

乌泱泱一大批人前赴后继，义无反顾地往这个理论大坑里跳。

然而事情怎么可能会那么简单呢？复杂的格式需要成倍的计算量，这在深度神经网络这个实际上是离散表

本章未完，请点击下一页继续阅读！