但当思维跳脱出自然语言处理这个小领域之后，这个模型可不能够等闲视之。

当初在翻阅这个时空的学术方面的一些资料时，林灰敏锐地注意该专利所蕴含的价值。

尽管专利所提供的技术路线很多时候都是概要性的。

一些后来者在按照这些技术路线去体悟技术的时候往往只能盲人摸象般的探索。

在拥有前世信息的情况下，林灰相当于站在巨人的肩膀上，

虽然偶尔会有些高处不胜寒的感觉，但具体到技术方面的时候林灰往往系统概念更强。

很多时候，林灰只消看到一些公开的技术路线就能了解到其背后所蕴含的价值。

并且这种判断基本是八九不离十。

当初接触到尹芙·卡莉搞得这个专利时。

林灰发现根据该专利已经公开的一些资料尤其是该专利公开提及的技术路线。

林灰很快捕捉到这个专利的价值。

林灰料定利用这个模型几乎稍加变形就能在此基础上形成一种颇为高效的判别式模型。

事实是后来进行的收购进一步了解了专利信息后更是印证了此前林灰对之的猜测。

仅仅是判别式模型即便是效率高或许没啥意义。

但是稍微做点小改动那事情就不一样了。

当高效的判别式模型邂后高效的生成式模型。

此二者进行有机结合，并在此基础上再继续进行一定的专门架构之后。

完全可以藉此搞出全新的效率颇高的深度学习模型。

这个深度学习模型在前世有个大名鼎鼎地称呼：

——生成对抗网络(gan)

生成对抗网络由一个生成网络与一个判别网络组成。

生成网络从潜在空间中随机取样作为输入，其输出结果需要尽量模彷训练集中的真实样本。

判别网络的输入则为真实样本或生成网络的输出，其目的是将生成网络的输出从真实样本中尽可能分辨出来。

而生成网络则要尽可能地欺骗判别网络。

两个网络相互对抗、不断调整参数。

最终目的是使判别网络无法判断生成网络的输出结果是否真实。

在前世图灵奖获得者、卷积神经网路之父yann le 在某次学术论坛上甚至将生成对抗网络模型称之为机器学习方面二十年来最酷的想法。

能得到图灵奖级别大老这样高度肯定，生成对抗网络模型的价值可想而知。

前世生成对抗网络作为非监督式学习的一种方法。

是由尹恩·古德费洛等人于2014年提出的。

不过这个时空由于机器学习方面的研究整体滞后。

这个前世颇为有名的深度学习模型在这个时空想要如约而至似乎是有些难度了。

这倒是给了林灰一些上下其手的机会。

本站域名已经更换为m.adouyinxs.com 。请牢记。