这其中的操作，便在于为这个矩阵运算添加激活层以及输出正规化，再通过交叉熵损失来量化当前网络的优劣，最后再进行参数优化。
这个过程所需要的便是反复迭代。
重新走完这个过程后，林奇也不禁感慨地叹息数分。
他还记得大学的毕业论文课题，当时都是由各个导师根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，最后剩下的都是若干不好啃的“算法题”。
毕竟做算法，墓地就是优化它的参数，让整个计算时间短一些，效果更精确，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，剩下的方法也就研究生博士生的路子，自己圈一块地，继续往下深挖，想要靠着视野一眼就挑出钻石，那根本是无稽之谈。
而林奇最终思索数番，选择的是一道遗传算法做全局最优的题目，结果当时matlab早就有一整套成熟的工具包，林奇还是老老实实地自己编写函数，最终凑出一篇勉强的论文。
最终面对评审专家提问创新之处时，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，这才勉强划水过去。
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，差点延毕。
后来为了帮助舍友，林奇当时算是第一次接触神经网络算法。
毋庸置疑，在神经网络算法里，秘能场参数便是“输入矩阵”，法术模型结果便是“输出矩阵”。
随即，林奇在地面是书写了一段文字——
神经网络（nn）。
人工神经网络（ann）。
以大量的简单计算单元（神经元）构成非线性系统。
一定程度上模拟大脑的信息处理、存储和检索等功能。
bp网络的误差反向后传学习算法。
输出后误差来估计输出层的直接前导层误差，再以误差更新前一层的误差，如此反传下去获得所有其他各层的误差估计。
……
他一步一步地重新将整个神经网络的知识梳理一遍。
他相信，这也是对面那位神孽所等待的内容。
这也是两者之间的交换！
一种无须言说的默契。
7017k