八一中文网

手机浏览器扫描二维码访问

第18章 分布阶流（第5页）

【信息树】分布阶代终时每个细微枝末，其信息情愫必须遵从初始本原点。

每个末梢联合在一起，形成一种本原体的情愫扩展放大态。

【信息树】末那级（信息树的枝末增长点）趋势运行之动力因：此处运行空间极限小，此时在极点处会断，断后有些重点会升级为近原点持续运行即生成新的目的因。

l

图片名称：作用呈现点（形式因）

【信息树】末那级表现呈现点与作用呈现点，求同存异后形成新的共同体（共相）及其附属物（殊相）。

宇宙的根本，对称与不对称#对称#不对称性5播放·0赞同视频

从信息角度观察，宇宙最开始高度对称，之后至少发生了7次对称破缺，这就是宇宙大爆炸的整个框架。

标度定律表明，只需知晓其中一部分，就能借助标度关系了解整体结构。

我们也可通过直接观察对应的螺旋线来体会标度对称性。

类似的还有分形几何，像科赫曲线、谢尔宾斯基三角形就体现了相关特性。

标度对称性，简单来讲（不那么严格地说）就是经缩放能保持不变，有时伴随一定旋转和位移，因此也称作标度不变性，部分物理系统具备该性质。

而标度不变性进一步推广就成了共形不变性，此时倍率关系转变为函数关系。

分布阶分为近原分布阶和返原分布阶（失败的，无增量的信息体）两大类。

几何表达：返原就是圆，返原点就是失败的原点，参数b=0，a=r（半径），r从几厘米到几十厘米，可能是机械齿轮幻觉（齿数几个至几十个，旋转方向有顺时针也有逆时针）产生的原因；近原类似于向外盘旋的对数螺线。

数学规律、自然法则与美学极致：神奇的黄金螺线。

#对数螺线4播放·0赞同视频

无极层模式举例：A，逆时针向内盘旋对数螺线，径向角度90，b参数为-（12），一周外弧弧长与一周内弧弧长比值为e^（π4），a为1。

注：这可能也是感觉感知运行模式，五感主要是视（80%）听（15%）两者信息的自行分解模式，目的形成多层卷积神经网络网络，让该信息找到能与其它体的层次关联聚类关联吧。

分解的目的是为了识别和最后的激活呀。

谈一谈相关的深度学习神经网络的激活函数。

知识乱入了。

1.Sigmoid函数是一种常见的激活函数，数学表达式为f（x）=frac{1}{1+e^{-x}}。

它能将输入的任意实数映射到区间（0，1）内，输出可看作是一种概率值，在早期神经网络用于二分类问题时很常用，比如判断图像是猫或不是猫这类情况。

不过它存在梯度消失问题，在深层网络中可能导致训练效果不佳，现在常被用在一些输出需要表示概率的特定场景中。

Sigmoid函数接近0时，这可能是幻视黑洞产生的原因，植物人的无极层可困灵魂于梦中寻寻觅觅，可能象征着某些抑制性神经递质占主导，或者神经元接收到的抑制性信号很强，导致其激活的概率极低，就好像神经回路中一个“关闭”

或者“休眠”

的状态，在一些如睡眠阶段或者大脑对无关刺激进行抑制过滤时可能会出现类似情况。

Sigmoid函数处于0.5时，兴奋性和抑制性信号达到一种相对平衡。

在大脑处理复杂的感知信息或者进行思考决策时，神经元往往需要权衡多种信号，这种中间状态可能意味着神经元还在对输入的信号进行整合和评估，尚未产生明确的激活（如发放动作电位）或者抑制反应，就像大脑在对一个模糊的视觉或听觉刺激进行初步分析，还没确定是否要做出强烈反应时神经元所处的状态。

Sigmoid函数接近1。

这可以被理解为神经元处于高度激活状态。

在神经模型中，这可能代表神经元对某种强刺激（如强烈的感觉输入或者高度相关的神经信号汇聚）产生了几乎饱和的响应，就好像神经元在传递一个非常强烈的“肯定”

信号，例如在对记忆提取有强烈线索提示时，相关神经元可能会出现这种高激活状态。

2.双曲正切函数tanh（x）的完整数学表达式是tanh（x）=frac{e^{x}-e^{-x}}{e^{x}+e^{-x}}。

它具有以下一些特点：值域特性：能将任意实数x映射到区间（-1，1）内，输出值是以0为中心的，和Sigmoid函数类似但输出范围更大，这使得它在一些场景中更有利于梯度的传播。

应用场景：常用于需要输出值在-1和1之间的情况，比如在回归问题里，还有循环神经网络的隐藏层等地方常常会用到它作为激活函数，以帮助网络更好地进行学习和对数据特征进行提取等。