阅读提示：为防止内容获取不全，请勿使用浏览器阅读模式。
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LP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Mrosoft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，并可以显著增加深度来提高准确性。
林灰记得，前世的研究小组在Iet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正出现。
具体到应用层面。
在残差神经网络出现后。
可以导致了图像识别领域的一系列突破。
而图像领域的突破。
很可能使得【人脸识别技术】得到发展。
更何况关于人脸识别技术的发展林灰还有些来自前世的资料。
这对林灰无疑意味着极大的优势。篳趣閣
深度学习的出现，不止促进图像识别方面的发展。
深度识别技术出现后。
【人工智能】的快速发展才真正搭建起了基石。
某种程度上来说，用生成式摘要算法来换钱已经不是林灰最高层次的诉求了。
林灰现在所图更大。
无论是人工智能还是人脸识别。
哪个都是近万亿级别的市场！
不过千里之行始于足下，还是得深耕细作。
根基不稳的话，登高易跌重。
林灰畅想着万亿市场的时候。
讨论组里成员还在讨论着关于未来的专业选择。
何思远：“我还没想好……我妈倒是建议我去学会计。”
刘繇：“听阿姨的吧，学会计不会吃亏……”
何思远：“呃，感觉会计工作很枯燥啊。”
本章未完，请点击下一页继续阅读》》