2020-07-29 blog

我发现，自己不知不觉开始形成一种习惯，就是对于一个东西的部署，更加习惯于去形成一个可复现的文档。这虽然意味着我可能还要回头重新从头部署一遍，但是这对我来说可能更加适合吧。

有的时候可能因为遇到一个问题，会折腾很久，找各种方法。最后可能是解决了，但是是并不知道具体哪些步骤是关键。有可能前一个方法虽然没有效果，但是它和后一个方法结合起来就解决了问题。而这，因为过程没有记录，或者记录了没有去做分析，或者做实验，相对来说其实就是不可复现的。而这种不可复现，我觉得是要避免的。

当然，我会发现，虽然我会很努力去做到这种流程上的clean，但是始终只能是一个理想状态。现实情况往往会出现各种意料之外的情况，需要去处理。

我在想，每次说到人工智能的时候，总会有人说什么人类的情感是机器无法做到的。

但是，情感它的本质到底是什么？为什么会出现情感？情感在人类的活动中起什么样的作用？

如果能够构建出一套情感模型，那么其实这样的模型应该是可以尝试模拟出来的。

以后再查资料吧。

我突然发现，现在虽然记blog的习惯是养成了，但是以目前的blog管理方法，想要快速地翻看过往写过什么，有点麻烦。

得逐篇文章打开看，而且不确定某个写过的内容在哪个地方。

可能我还需要一个markdown管理软件？

大致的设想是：通过文件名日期，映射到一个日历上面，然后点击日期可以立刻渲染出markdown，查看到内容。最好是可以加上一个内容标记之类的东西，有点类似书签，就是标记出blog里面的某一块写的是啥。虽然tag有点接近这个东西，但是还是不完全一样，而且tag限制也比较大。

目前可能只能是在网站上面用搜索试试了？不过这得先清理一下其他文章

不出意外的话，nj68应该是开学之后收到。

我还打算等开学之后再买轴和键帽。键帽打算整一套紫色系的。

然后是tb买一套润轴套装什么的，好像也不是很贵，看到一家店，基本上整套都全了。

应该的话，还会买一瓶WD40，作为洗板水。

键盘这块的话，其实可以参考之前关注的b站的一个up一样，把折腾的过程放在博客里面的一个叫boy‘s fantacy里面。可能之后其他的折腾也可以放到这里面。

突然想到，回到学校之后其实还有很多东西要折腾。比如说桌子，还有各种其他事。

而且突然我又想到了，一个学期没有到学校，相当于八个月没有生活费

我已经长期收支不平衡了，唉。

关于增长式神经网络

目前我并不确定一点，那就是这个增长，是增加神经元，还是增加连接（突触）。

按照目前的许多模型来推算的话，它们总的来说其实就相当于是构建了一大堆有规律的神经元，然后通过训练把一大堆的连接给删掉。这看起来和人脑学习产生突触有点在直觉上相反的意味。

如果是基于这些已有的模型的话，可能可增长模型是很难构造出来的。

但是，怎么去构建出一个模型呢？

在一开始，我先假定这个是图像领域，也就是视觉信息。

首先，视觉信息通过视锥细胞和视杆细胞将光信号转化为电信号。视杆细胞接受的是弱光，对色彩不敏感，而视锥细胞接受的是强光，在非色盲的人眼中，分为对红光、绿光、蓝光敏感三类。在计算机中，可以认为RGB编码与视锥细胞的感光大致相同。然后可能就在视杆细胞上面比较难理解了，这可能得去看看视觉神经方面的书籍。目前在不知道的情况下，就假定是以红绿蓝三色计算得出光强值之后，取某个低阈值以下的光吧。

人的视网膜上，视杆细胞约有1.2亿个，视锥细胞约有700万个。

然后是传递。从视锥和视杆传递过来的信号，是单线式的连接，然后是一路到双目信号交会的地方从中间分开，左右会合。这里暂时先不考虑双目的情况。

然后这个时候可以将输入的视觉信息视为像素化的信息了。在这之后是经过了几个神经区域（大致用区域来描述吧，用层的话不一定准确），分别是RGC、LGN、V1、V2、V4、IT区，最终经过神经细胞的处理得到的是抽象的信息表达。每个区域里面都是retinotopic map，翻译过来是视网膜脑图。这个东西暂时不清楚，也得之后再去研究学习。

然后有可能并不是直接用n个神经元再做一下矩阵算法就算是最后结果。我猜想，有可能是这些抽象的信息表达，与记忆区域里面的某个储存值对应的特征，比较接近。也就是说我猜想这是一个特征映射的过程。

如果说模型计算出来的是一些特征，而不是某些储存值的置信度的话，这也就意味着同样的一个模型，可以复用，只需要将不同的特征映射到不同的储存值即可。那么在特征和储存值之间，应该需要构建一个映射器。而这个映射器，我猜想有可能是大脑运算里面的一个内核部分？

而且如果是这样的模型，那么也有可能是可以实现多种特征交联感知的。比如说视频，既有图像的视觉信息，也有音频的听觉信息，两种信息交联同时递交到映射器，映射到一个储存值。比方说视频里面某一段内容，是小鸟的图像，而声音是小鸟的叫声。那么这两种特征其实都映射到了同一个东西上面。

现在暂时先不考虑多特征的问题，先尝试构建一个最简单的模型。

输入信息（原始输入）->神经输入（经过处理后的输入）->神经区域计算->特征/抽象的信息表达->映射器->记忆值（分类）

整个模型，最难的地方其实就在于这个映射器怎么构建。

如果能够解决映射器，可能做出来就比较容易了。