二級神經元。

    像人類的視覺系統，便是通過1億3千萬光感受細胞接受光信號，在通過120萬節細胞軸突將信息從視網膜傳遞到大腦，形成了三維圖形。

    而機器學習，便是要教給計算機，怎麼把它接受的輸入結果和我們想要的輸出結果關聯起來。

    諸如看到一張圖片，它能夠理解這便是我們需要的數字1.

    而這依賴的便是感知器，這也是名為神經網絡的原因。

    感知器，本身便是模擬神經細胞，原先的生物學名詞都有了對應的新名字——

    權量（突觸）、偏置（閾值）及激活函數（細胞體）。

    機器無法理解一副圖片，但是它可以把圖片翻譯為「像素點陣」，然後這些點陣以0與1輸入。

    林奇默默在地面上化了一個初中生熟悉的xy坐標軸，同時在上面點出了(1，1)(-1，1)(-1，-1)(1，-1)這四個左邊，它們連接起來便是一個正方形，而這四個左邊分別坐落在四個象限。

    機器學習需要的便是讓機器知曉諸如（2，2）這種應該算作哪一個象限？

    這便需要神經網絡算法的「分類」作用。

    這裏輸入是一個（2，2）的坐標，它是一個1乘2的矩陣，這是輸入層。

    設定50個神經元，所以它便是一個1乘50的矩陣，這是隱藏層。

    而結果1-4象限，則是一個1乘4的矩陣，這是輸出層。

    根據線性代數的知識，可以知道矩陣之間是能夠溝通的，所以一個輸出層的1乘4矩陣可以用最初的1乘2輸入層矩陣表達。

    這其中的操作，便在於為這個矩陣運算添加激活層以及輸出正規化，再通過交叉熵損失來量化當前網絡的優劣，最後再進行參數優化。

    這個過程所需要的便是反覆疊代。

    重新走完這個過程後，林奇也不禁感慨地嘆息數分。

    他還記得大學的畢業論文課題，當時都是由各個導師根據自己的專業範圍制定題目，然後再由學生們報名選擇。

    當時林奇選的慢了，最後剩下的都是若干不好啃的「算法題」。

    畢竟做算法，墓地就是優化它的參數，讓整個計算時間短一些，效果更精確，最終更優化些，可是每年一代又一代的學生，早已把沙漠上明顯的寶石撿走了，剩下的方法也就研究生博士生的路子，自己圈一塊地，繼續往下深挖，想要靠着視野一眼就挑出鑽石，那根本是無稽之談。

    而林奇最終思索數番，選擇的是一道遺傳算法做全局最優的題目，結果當時matlab早就有一整套成熟的工具包，林奇還是老老實實地自己編寫函數，最終湊出一篇勉強的論文。

    最終面對評審專家提問創新之處時，林奇也只能面前回答，他用的這幾個參數組合，未見與前人文章，這才勉強划水過去。

    而他那位選擇了神經網絡算法的舍友，當場被質疑模擬數據造假，差點延畢。

    後來為了幫助舍友，林奇當時算是第一次接觸神經網絡算法。

    毋庸置疑，在神經網絡算法裏，秘能場參數便是「輸入矩陣」，法術模型結果便是「輸出矩陣」。

    隨即，林奇在地面是書寫了一段文字——

    神經網絡（nn）。

    人工神經網絡（ann）。

    以大量的簡單計算單元（神經元）構成非線性系統。

    一定程度上模擬大腦的信息處理、存儲和檢索等功能。

    bp網絡的誤差反向後傳學習算法。

    輸出後誤差來估計輸出層的直接前導層誤差，再以誤差更新前一層的誤差，如此反傳下去獲得所有其他各層的誤差估計。

    ……

    他一步一步地重新將整個神經網絡的知識梳理一遍。

    他相信，這也是對面那位神孽所等待的內容。

    這也是兩者之間的交換！

    一種無須言說的默契。