第181章 无监督学习和SOM (第2/2页)

看望病人这种事儿，没听说还能拖到天黑的。”沈立兴不满地说。

    老宋和易中海连忙答应了。

    高俊德笑着对老宋说：“我还打算下班特意跑一趟，给小江送样刊。既然碰上了，你这个做班主任的，就亲自给他捎过去吧。”

    老宋自然没二话。

    “嗳，对了，校长，我们这事儿不算请假吧？”易中海皮了一句。

    沈立兴哈哈一笑：“请什么假？公出！你们俩就代表学校，去探望一下江寒。”

    说完转身离去。

    但还没走出几步，沈立兴忽然想起了什么，回头交代说：“哦，对了，别空手去，给孩子买点水果什么的，也算咱们这些师长的一点小心意……回头找总务处报销。”

    宋谦和易中海喜出望外，连忙答应了。

    跟着两人就将被拆开的包裹重新包好，联袂走出了学校。

    ※※※

    星河酒店，703。

    江寒正在紧张忙碌。

    几乎一整天，他都在研究“自组织特征映射SOM网络”。

    SOM这玩意，结构上和MLP模型十分相似，都是由简单的神经元，组成的某种拓扑结构。

    区别主要在于，MLP是有监督学习，而SOM模型则属于“无监督学习”。

    所谓有监督学习，就是让计算机从给定的训练数据集中，学习出所需要的某个函数。

    训练数据中通常包括一个标签项，来告诉计算机，什么样的输入对应着什么样的结果。

    而无监督学习，一样需要训练数据，但却并不需要给输入的数据打上标签。

    也就是说，输入一组数据，需要输出什么，并不会事先予以规定，也没有确定的结果。

    让计算机自己寻找规律，自己去学习应该怎么做，这就是“无监督学习”的基本概念。

    事实上，这种非目的性的学习活动，更符合人类对于“自主学习”的定义。

    所以，很多时候，“无监督学习”比“有监督学习”更有用。

    譬如分析一堆数据的主分量，或分析数据集有什么特点，都可以使用“无监督学习”。

    SOM是将高维的输入数据在低维的空间表示，所以常用来给数据“降维”，此外也常用于数据可视化、聚类等。

    SOM是一种自组织神经网络，在网络结构上，有着十分鲜明的特点。

    一般包含输入层和竞争层，构成双层网络，通常没有隐含层。

    层之间的各个神经元，进行双向连接，有的时候，竞争层的神经元之间，还会存在横向的连接。

    在学习算法上，SOM也有与众不同之处。

    其模拟了生物神经元之间的兴奋、协调、抑制、竞争机制，通过这些作用中蕴藏的信息动力学原理，来指导神经网络的学习与工作。

    这一点与“多层感知机”对比鲜明，后者通常是以网络的误差，作为算法的准则，来调整参数。

    竞争型神经网络的基本思想，是让网络中竞争层的各神经元，竞争对输入模式响应的机会。

    最后获胜的神经元，就表示算法对输入数据的分类。

    因此，很容易把这样的结果和聚类联系在一起。

    思路捋顺后，接下来就是写成论文，然后再设计一个小程序，对算法进行验证。

    最后再收集一些程序运行中所产生的数据，和普通“MLP”进行一番比较……

    江寒紧赶慢赶，终于在下午3点前搞定了论文的主体部分。

    接下来，就可以休息一小会儿了。

    吃了两块巧克力，又吃苹果，正惬意着，手机铃声忽然响起。

    江寒看了眼来电显示，又是个不认识的，不过看号段是松江本地的电话。

    “喂？您好。”江寒接起电话。

    “江寒同学吗？”那边传来一个浑厚的男子声音。

    江寒：“我是……请问您是哪位？”