第136章 全國高考滿分狀元(6)（4/7）

但其实并不慢。

林灰现在搞得那个生成式摘要算法已经有所成就。

生成式摘要算法是林灰入局的敲门砖。

/对技术无感的括号内容可以直接跳过去/

之所以以此入局，是因为自然语言处理这东西之于神经网络学习

很像是数论之于数学。

数学里的数论你不能说它不重要。

但是门槛是真的低。

当然数论门槛虽低，但上限却很高。

而自然语言处理的门槛也很低。

毕竟涉及到语言这东西，谁都会语言。

因此自然语言处理门槛也很低。

门槛低代表着即便林灰入局也不会被太在意。

而nlp神经网络虽然门槛低。

但和数论一样，上限很高。

上限很高意味着什么呢？

意味着将来可以轻松破局！

而林灰打算怎样破局呢？

生成式摘要算法本质上是深度学习发展的产物。

而现在这个时间节点。

却只有神经网路识别。

没有真正意义上的深度学习。

林灰很清楚打开真正的深度学习的钥匙是什么？

——残差神经网路。

这个概念是前世在2015年由crt某研发团队提出的。

残差神经网络是一种残差学习框架来减轻网络训练。

和以往的神经网络架构不同。

残差神经网路的架构将层变为学习关于层输入的残差函数，而不是学习未参考的函数。

经验证据证明这些残差网络很容易优化，并可以显着增加深度来提高准确性。

林灰记得，前世的研究小组在age数据集上评估了深度高达152层的残差网络。

这个152层的深度要比现在这个时空主流的深8倍。

但是就复杂度而言，残差网络却具有较低的复杂度。

深度网络自然地将低/中/高级特征和分类器以端到端多层方式进行集成。

特征的“级别”可以通过堆叠层的数量来丰富。

可以说残差神经网路具有碾压般的优势

残差神经网路这个东西在外人眼中可能是晦涩的术语。

但其实这是开启未来的钥匙。

而其就掌握在林灰的手中。

林灰这种比喻丝毫不过分。

只有在残差神经网络出现之后，深度学习这个概念才真