两句话里，虽然苹果两个字一样，但代表的含义却截然不同。”
“现在的任务是要给苹果打标签，我们都知道第一个「苹果」是一种水果，第二个「苹果」是苹果公司，假设我们现在有大量的已经标记好的数据以供训练模型，当我们使用全连接的神经网络时，我们做法是把「苹果」这个单词的特征向量输入到我们的模型中，在输出结果时，让我们的「标签」里，正确的标签概率最大，来训练模型。”
“但我们的语料库中，有的苹果的标签是水果，有的苹果的标签是公司。这将导致，模型在训练的过程中，预测的准确程度，取决于训练集中哪个标签多一些，这样的模型对于我们来说完全没有作用。”
王杉开始自问自答的说道：“那么问题在哪儿呢？问题就出在了我们没有结合上下文去训练模型，而是单独的在训练「苹果」这个单词的「标签」，这也是全连接神经网络模型所不能做到的，所以后来就有了循环神经网络这个深度学习模型。”
“但循环神经网络却也有自己的弊端，不管是「梯度消失」还是「梯度爆炸」，又或者是「全局建模」，「长期记忆」，乃至「扩展性」或「泛化能力」都有上限。”
王杉深深倒吸一口气：“但现在！经过吕总的提点，加入「提炼重点」的算法后，也就是数学上的离散概率分布算法，通过加入这一算法后，原本循环神经网络的弊端将得到极大的改善！”
“经过我十几个小时的数据训练，现在这个AI模型在「梯度传播」，「全局建模」以及「长期记忆」方面都取得了跨越式的成长。”
王杉在讲述他的成果时用了非常多的专业性词汇，这让一直努力想要跟上王杉思路的陆小亦十分吃力。
但全程认真听完的她总之是明白了一件事，那就是他们的AI数据中心建设迎来了特别重要的一步。
所以陆小亦也激动起来：“所以咱们的AI模型是成功了吗？”
王杉摆摆手：“那还差得远了，现在这个模型只是表现出了不错的解析能力，但学习能力，强度测试以及多层序列处理能力还没有进行测试。”
“更别说这方面的专业数据分析学习，模
本章未完，请点击下一页继续阅读！