241.AI（2/2）

“嗯。我是。”路舟点了点头。

这戴着眼镜略显清秀的学生说道，“师兄好。我是甄臻。”

她一旁的女生说道，“师兄好，廖文秀。”

“曹文聪。”

路舟，“你们好，面试的话再等等。门外的同学也进来等吧。”

门外的学生一听，一窝蜂都进门坐到座位上等待。位置是不多，没座的也只能站着等。

“师兄可以给我们讲讲之前你下发的题吗？”甄臻问道。

随后她又补了一句，“呃，如果面试要涉及就算了。”

路舟拿起考题看了一眼，“也行。随便讲讲应该是没什么问题。”

“这个卷说不上多复杂。首先是先针对神经元进行设计，转变成数学运算的问题，那需要先给输入数据增加权重，再之后对结果进行一个偏置，最后则通过一个激活函数来获得一个最终值。常见的激活函数比如可以使用生物学中常用的sigmoid作为阈值函数。

这就是个简单的搭建过程。”

路舟停了下来，思考片刻又接着说了下去。

“而在训练这个网络之前，我们可以用均方误差来定义loss值，确定训练之后的预测结果是否达到要求。均方误差我就不多讲了，应该都懂吧。”

“......”

路舟抬眼看了三人一眼，“那么接下来训练的优化就集中在了将loss值减小。具体来说就是对上述得到的loss值函数形式进行链式求导......”

甄臻忽然就是举手，“师兄，能不能演算一遍。”

路舟笑了笑，“哪专业的，数学没学好吧。”

廖文秀，“也不是呢师兄，主要是研究生没选的人工智能方向，思路还没打开。”

路舟听了也不多说，他也只得拿了笔在一张白纸上给三人演示。

“事实上loss会包含我刚提到的权重w和偏置参数。所以我们在调整w时，loss到底是增大还是减小？这就需要我们求一个l/w的偏导数。

这里我们直接链式求导，然后根据loss的定义去求出第一个偏导数，再根据神经元定义的h值再次求导，再配合激活函数sigmoid最后得到总的求导公式......”

甄臻，“......”

路舟，“ok，这方法一般被叫做反向传播。经过这个计算后，我们是可以得出对w变化时，loss函数最终的变化曲线。对于这接下来的问题，我们则可以再用一个随机梯度下降sgd的优化算法来进行优化。”

廖文秀，“......”

路舟，“sgd主要的作用在于权重和偏置值的调整。首先我们定义一个学习率的常数，它将决定整个神经网络的训练速度。这样，我们再逐步调整权重和偏置的过程中，loss也能够不断降低。

最后loss达到了要求，整个流程也就走完了，模型也就出来了。”

曹文聪，“......”

路舟见三人表情有些懵逼，感觉是有些尴尬，“额......”

他抹了一把脸，直接唤醒了一旁的电脑，“好吧，这么说有点虚，我直接给你们写个代码样例。我就直接用python来示范吧，用numpy的模块。大概呢还是按照我们刚刚的理论基础，先定义几个需要用的函数......”

五分钟后。

“好了。大概就是这样。”

三人，“......”

这也忒快了点。

甄臻有些胆小地又举了手，“师兄。博士和研究生差距有这么大嘛？我怎么一点听不进去......”

路舟听了就乐了，“别。我就一本科生。陆师兄面前我可不敢造次。”

三人，“？！”