二十來分鐘後，大家鍛鍊完畢，回寢室稍作整頓，盥洗一番之後，就去了食堂。

由於早起運的關係，每個人都多吃了一個饅頭，神頭也好了不。

飯後溜達了一會兒，幾個人就結伴回班，上早讀。

江寒端正地坐在座位上，拿出一個嶄新的筆記本，開始寫論文的第一稿。

先寫下標題：《知機：大腦信息存儲和組織的概率模型》。

然後是摘要：“本文探討了生神經元的工作機制，並建立了一個簡單的數學模型，以及探索瞭如何在機學習中運用這個模型……通過對生神經元的模擬，來解決線可分的二分類問題。”

寫完摘要後，又設了幾個關鍵字，接下來就進了正文。

第一部分是背景介紹，主要討論生神經元。

“要了解智能對知覺識別，泛化，回憶和思考的能力，首先我們要回答三個問題：生系統如何知或檢測理世界的信息？以什麼形式存儲或記住信息？存儲或記憶中的信息如何影響識別和行爲？

第一個問題屬於生理學領域，而且人們對它已經有了可觀的認識。第二和第三個問題，目前仍然只有大量的猜測，而且神經生理學提供的一些相關事實，還沒有被整合爲一個可以被人們接的理論……”

開宗明義之後，接下來，就可以詳細討論生神經元的工作機制了。

足足用了兩千來字，才寫完這些羅裡吧嗦的東西，最後下了結論。

“綜上所述，不管什麼信息被保留，都必須以某種方式，存儲爲特定響應的偏好，即信息包含在連接或關聯中！”

接下來，進下一環節，建立數學模型。

對於很多人來說，這是論文寫作之中，最爲困難的地方。

就算拿出“知機”這種大殺，江寒也並不擔心，會被人懷疑是重生者。

除非屢見不鮮，否則誰會一到厲害的人，就懷疑是穿越、重生來的？

網上關於劉秀和王莽的段子，只是調侃和玩笑罷了。

但江寒仍然決定，將數學部分簡一下，儘量不涉及太高深的東西。

很多高等數學的東西，大學生學起來都費勁，自己一個普通高中生，憑啥能練運用？

除非能證明自己，的確是個不世出的天才，不然很難解釋。

如果得到足夠的學點，將七維屬都加到10以上，那自己不想當天才都不可能。

可現在是起步階段，還是穩一點的好。

“知機”的工作邏輯很簡單，本來也不是什麼複雜的東西，只是表述上要稍微嚴謹一點。

前世刷過的那篇同名論文，大部分容都是枯燥的論述，數學推導並不多，關於如何在計算機上實現，則基本沒怎麼講。

這也不怪原作者，那個年代的計算機科學，本來就不怎麼發達。

而且那篇論文的華，也就是一個模型，一個原理。

至於編程實現，有了模型之後，那還不是So easy嗎？

但現在是2012年，計算機技已經取得了長足進步，足夠將機學習技，運用於生產生活實踐了。

所以，江寒將這篇論文的重點，放在了原理解析，以及如何實現上。

除了開頭第一段，江寒並沒有照抄原文，事實上，他也沒那個本事。

那麼長的論文，能記住大概思路，就相當不錯了。

一個字不差背下來？江寒做不到啊！

據自己對該技的理解，江寒開始自由發揮。

先從最簡單的況，也就是單變量開始討論。

“對於只含有1個輸信號xi的樣本集T，我們期找到一個線函數y=wx+b，通過輸的數據xi和標籤yi，確定其中的權重w和偏置b，其中權重w控制輸信號的重要，而偏置b可調整神經元被激活的難易程度……”

江寒越寫越順，下筆如飛。

“……

我們定義損失函數如下：L（w，b）=?（1/--w--）∑y i （w?x i +b），據預設的學習率η，不斷調整權重w和偏置b，直到損失函數到達極小點，即可得到可用的函數模型。

綜上所述，學習算法如下：

首先選定訓練數據集T=（x1，y1），（x2，y2），...，（xN，yN），yi∈{?1，+1}並指定一個學習率η（0＜η＜1）；

1、任意選定權重w和偏置b；

2、讀數據點（xi，yi）；

3、判斷該數據點是否爲誤分類點，如果yi（w?xi+b）≤0 則更新w=w+ηyixi；b=b+ηy i；

4、重複進行2、3步，直到沒有誤分類點。

此時，我們就獲得了最佳的w和b，把它們代y=wx+b，就得到了一個數學模型。”

知機的學習過程，有個非常形象的比喻。

假設在一個棋盤上，有一堆黑子，和一堆白子，它們不相混合。

下面，拿一細放上去。

我們希這子，能恰好將黑子和白子分開，子的一邊全是黑子，另一邊全是白子。

先把子隨機扔到棋盤上，如果恰好將黑子和白子分開了，那就皆大歡喜，否則的話，就平移和調整子的角度，直到所有白子和黑子恰好分開……

那子就是知機，而挪子的過程，就是知機在學習。

子的角度和平移量，就是要尋找的參數w和b，也就是直線（子）在平面直角座標系（棋盤）裡的函數解析式。

瞧，夠通俗易懂吧？

可惜寫論文就不能這麼寫了。

知機是人工神經網絡的雛形，其中有個關鍵概念，激活函數，它決定了一個神經元是否有輸出。

江寒在這裡，用一個階躍函數sign（x）作爲激活函數，其定義爲： x＜0時函數取值-1； x≥0時函數值爲1。

只要將sign換sigmoid或者其他非線函數，就是真正的單層前饋神經網絡了。

但江寒並沒有著急將sign之外的函數拋出去。

在第一篇論文裡，最重要的是提出概念，其他東西完全可以在下一篇論文中再討論。

能多水幾篇，豈不更加滋滋？

搞定了輸空間是1維的況，接下來，就可以擴展到N維。

“對於一般況，當有n個輸信號時，假設輸空間是x∈Rn，輸出空間是y∈{+1，-1}。輸x∈X 表示實例的特徵向量，對應於輸空間的點；輸出y屬於Y 表示實例的類別。

由輸空間到輸出空間的如下函數：Ψ（x）=rsign（w1x1+w2x2+……+wnxn+b）=rsign（wTx+b），就可以稱之爲知機，其中w∈Rn，b∈R爲知機算法的參數……”

在討論完n個輸信號的況後，江寒指出：

“模型建立之後，經過訓練，就可以得到一組權重和偏置，這些參數確定了一個分離超平面（定義爲n維空間上的一個n-1維子空間），此超平面可以將訓練集中的數據，完全正確地分兩份，一份爲正，一份爲負（或者0，可以自己定義）。”

取得了模型的參數後，就可以把測試數據放進去，據模型函數運算的結果，就能對數據進行分類。

知用很廣泛，幾乎所有二分類問題，都可以用它來試一試。

當然，必須是線可分的問題，線不可分的問題，是不能用單層知解決的。

例如年齡和有沒有生活經驗，就不存在線關係；長得帥不帥和學習好不好，也沒有線關係……

關於如何高效地判斷數據是否線可分，江寒還真研究過，只是這個題目比較大，三言兩語說不清楚。

嗯……好像又能多水一篇或幾篇SCI？