市场礼仪或雷区中的良好风度 - 页 19

新评论
 
paralocus >> :

这里有更多的重点。

1.感染系统的另一个选择是向一个神经元或一组神经元引入额外的随机输入--器官。

2."器官 "可以表示为具有一个普遍反馈的专门的神经元组--即每个器官神经元 "知道 "其组（器官或家族）的任何其他神经元的输出是什么，而每个组知道器官的输出是什么。这样的NS将能够进行动态的自我适应，学习的需求将是其主导因素之一--即系统可以有目的地、自我激励地寻求和归纳它所需要的知识。我们的任务将是为它设置障碍，并在这里和那里散布一些知识--:)

一个死胡同 -- 如果一切都做得正确（在网络的组织和训练中），那么在一定数量的训练迭代后，身体将被隔离。


另一件事 -- "感染 "学习过程，在delta规则中引入一个相对较小的随机成分，这在某些情况下会提高学习率，也能有效地走出局部最小值。这已经是一个行之有效的方法。

 
TheXpert >> :

一个死胡同 -- 如果一切都做对了（在网络的组织和训练中），那么在一定数量的训练迭代后，身体将被隔离。



你做得不对...

一个器官就是一个器官，这样肝脏就不会干扰到脾脏的功能。该网络不会隔离所有的器官，因为这对它来说是一个关键的熵减少--"死亡"。

好吧，如果有什么东西掉下来，那是没有必要的。

 
paralocus писал(а)>>

这个主题的主旨我已经有机会欣赏到了-:)你是个天才，我不是在开玩笑!

我有一个想法。很可能是一个新的。昨天晚上，我有一个 "短路"...在我的个人神经网络的所有层面上）。

问题是，我一生都在研究人，而且不仅仅是在他的社会和个人实现的背景下--因为所有这些都是 "表面的"--而是作为一个整体的存在现象和一个 "意识的容器"。今天，在一个晚上，所有多年来积累的东西已经系统化（自我组织），从一个简单的有序的事实和假设的集合，变成了一个自身的完整性。

我无法掩饰我的兴奋之情!哦，好吧...那是一个抒情的离题。

这个想法很简单。

为了提高任何规模或目的的NS的稳健性，你必须尝试感染它们...感染他们。对于图灵机的确定性逻辑来说，病毒当然是致命的--对于NS和人工智能来说，只要有能力，有 "剂量 "的应用，它可能变成只是 "活水"。现在让我们逐一谈一谈。

1.所有生物体都是神经网络的本质。这句话似乎过于大胆，但这是一个现象学事实。

2.所有的生物体都是为了学习而被置于一个具有攻击性的环境中--我们称之为进化。我们只需要记住，伴随着形式的演变，体现在这些形式中的个人意识也在不断演变。意识本身是系统（神经网络）复杂性的影响，其进化的 "普朗克" - :)，我假设 - 是系统的复杂性与系统的熵的比率。

3.熵降到一定限度以下的系统会消亡，因为它们没有能力进一步进化；然而，熵升到一定限度以上的系统也会自我毁灭。因此，结论是：为了使一个系统成功地进化，其熵应该在一定时期内定期地达到给定系统的最大允许值。这样的状态我们称之为 "疾病"。我所说的 "疾病 "一词是指相当广泛的意义--一个看起来相当健康的罪犯是一个病人。只是生病的不是他的身体，而是他的心灵和他所接受的痛苦，大多不是以发烧或感冒的形式，而是以所谓的 "沉重的十字架"、"命运 "等形式。然而，他们得到的这种 "社会 "痛苦是进化连续体的教学影响类型之一--将生物的熵提高到难以承受的极限。这提出了一个关于教师和他的目标的哲学问题......然而，这远远超出了我们论坛的讨论范围-:)

4.那些生存下来的人--已经发展了免疫力--在最广泛的意义上--即不仅是针对致病病菌和社会，还有对进化更重要的--交易性的外部和交易性的内部。

5.在任何生命系统中都有这样的 "病菌"，如果它的免疫力被削弱到一定程度，就一定会杀死它。大自然为什么会这样做？正是为了提高同一系统的能力，通过不断的内部 "训练 "系统的生存能力来抵御环境的因素，从而有更多的机会（时间）来继续个体的进化。

6.让我们假设一个进化系统的任务是发展免疫力（在所有意义上）。然后，一个有趣的事情出现了：与神经元和连接的数量相比，生物NS的输入和输出（甚至更少）的数量少得令人发指！在这种情况下，我们可以看到，有很多人都不知道该怎么办。也就是说，我们急剧增加中间层的神经元数量（如果有三个层--输入、隐藏和输出），现在我们可以尝试 "感染 "NS。这可以通过在校正权重时引入一个计量的随机误差来实现!再进一步说，通过增加或减少这种随机误差的频率或振幅，可以对NS进行替代训练。

例如，在校正权重之前，我们可以尝试用一个函数向校正器添加一个小误差，这个函数（随机地）每调用1000次就会从某个范围内返回一个随机值（例如+0.01 / -0.01 ）。不知道什么时候或哪个神经元会得到一个小的错误增量。这种增量发生得越频繁--系统的熵就越高。在这种情况下，国家安全局将必须考虑到...它自己的错误!

这里还有一个重要的问题。

1.系统污染的另一个变体--向一个神经元或一组神经元--一个器官引入额外的随机输入。

2."器官 "可以表示为具有一个普遍反馈的专门的神经元组--即每个器官神经元 "知道 "其组（器官或家族）的任何其他神经元的输出是什么，而每个组都知道在生物体输出是什么。这样的NS将能够进行动态的自我适应，学习的需求将是其主导因素之一--即系统可以有目的地、自我激励地寻求和归纳它所需要的知识。我们的任务将是设置障碍，并在这里和那里散布一些知识--)

+5

我自己也在考虑这样的事情。在与人工智能合作时，会出现很多有趣的、非琐碎的依赖关系。

例如，不久前我意识到为什么我们需要梦想......事实证明，在睡眠过程中，我们的大脑通过体验以前所看到的东西来锻炼突触，从而消除它们不可避免的萎缩（它是一个生物物体，其中的交换过程不断进行，错误不断积累）。 如果我们没有睡眠，我们将在一年内失去所有的认知技能和长期记忆- 我们会沦为简单的东西，只记得他们看到的东西。强大的经验（与改变生活的事件有关）一直在我们的睡梦中萦绕，从而用斧头巩固了有用的知识。

 
Neutron >> :

强大的经验（与改变生活的事件有关）一直在我们的梦中萦绕，从而用斧头巩固了有用的知识。

嗯，这是可以管理的。学习的背景不一定是负面的。对于一个已经 "掌握 "了对它的期望并 "接受 "这个目标作为自己的目标（作为它的主要目的=生命的意义）的系统来说，梦境不再带有噩梦的印记，而且在梦中可以以非常高的速度继续学习。

 
中子我 认为，如果我们完全改成通过操纵系统的熵来学习，局部最小值将作为一个类别消失。然而，训练可能需要更多的epochs，而且不是每个网格都能完成。但是，那些可以...我甚至无法想象他们会有什么能力。
 
Neutron >> :


中子，我还是想谈谈白化投入的问题，也想谈谈把错误也扩散到下一级的问题。

 

嗨，paralocus。

我目前正在捣鼓Matkad的Zig-Zag -（在我脑子里的某个地方，它闪了一下），同时我正在为NS的输入数据进行标准化。以下是我上次得到的结果：假设我们有输入数据，其增量分布是任意的，定义在整数线上。我们需要找到一种算法，将这种分布映射到具有搁置概率密度函数（SP）分布的+/-1范围。

让我们以欧元兑美元1米系列为例，在左边绘制差额d[i]=Open[i]-Open[i+1]图的SP分布。

已经得到了一个很好的指数分布，我们将把它转换成一个单位架子。为了做到这一点，我们通过简单地从SP中找到换算和（图右），并将每个分支拟合为1，同时考虑到分支的符号（之前在SP分布的最大值处将曲线的相应值移至 "零"）来构建SP的PDF。我们得到了一个类似西格玛的模式。现在，我们把最初的一系列增量，用我们的sigmoid作为运算器作用于每一个增量，这将把它们映射到一个单位架上。要做到这一点，我只需将增量值d[i]替换为所产生的sigmoid的一个参数。

其结果是不完全是架子上的东西，但接近它。将其与原始分布进行比较。由此产生的分布中心的间距是不可避免的，因为我们必须在某处拉伸，使其变厚。我认为这对NS来说是一种完美的输入鸡尾酒。

P.S. 我想知道为什么它没有成为一个完美的架子。这从根本上说是不可能的，是方法的限制，还是我在结构上遗漏了什么？

 
耶!我还担心你会突然失去兴趣......-:)

我会弄清楚你写的是什么，我会回答的。

 
Neutron >> :

P.S. 我想知道为什么没有完美的架子。这从根本上说是不可能的，是方法的限制，还是我在结构上遗漏了什么？

我昨天也想到了这个问题...(当然不像你那样数学化--我只是不能那样做）总的来说，我有一个怀疑，这是有原因的！"。所以你没有错过任何东西。

属性d[i]=Open[i]-Open[i+1]有些特殊。有一种直观的预感，在这种情况下，我们有一个分形BP作为输入，它受到一个连续算子（例如th(x)或sigmoid）的仔细影响，所以一个理想的架子将不起作用--概率分布Open[i]-Open[i+1]很可能是Hurstian。我有一个比较粗糙的，所以中间的-0完全没有了。顺便问一下，你为什么要服用Orap？

 

我不喜欢摆弄还没有成型的东西。这是马特卡德的一个习惯，在测试TS时，它就像两根手指在人行道上 "看 "到了一个意外的未来！"。防止这种情况的唯一保证是成型的条形图，或开盘价。他们当然不会弹跳。

给我一个提示，你对输入信号的相关性有什么问题？你用什么来输入，为什么你认为问题存在？毕竟，确定它不存在比解决它更容易 :-)

1...121314151617181920212223242526...104
新评论