前文《用神經網路模擬分子：鈉的鹵化物》中用兩個相互向對方收斂的網路來模擬naf，
經實驗計算表明，這個鍵值也可以反映網路結構的一些差異，但這個網路的節點與原子核外電子的運動方式有很大的不同。這個模型無法體現三維空間對電子運動的影響。
所以需要想辦法在這個模型中加入空間約束，讓網路的節點更加接近原子核外電子。以beo為例，be第二層有2個電子，氧第二層有6個電子，第一層的兩個電子約化到核電荷數里。成雙鍵，每個電子用3個節點表示，構成電子的運動向量，讓向量滿足要求
先不考慮自旋，be空間約束部分
表達be核外兩電子的運動狀態，
讓這兩個向量大小相等，方向相反，長度歸一化等於be原子的半徑，並用yi的值訓練be左側的網路。
氧空間約束部分
表達o核外6個電子的運動狀態。並讓這6個向量滿足共軛，正交和歸一化條件，並用yj的值訓練o右側的網路。
然後再讓be的右側網路和o的左側網路向對方收斂。
這個模型考慮了be和o成鍵過程中空間和物質兩部分的約束。
首先讓be網路和o網路向空間收斂，表達空間約束，
再讓be網路和o網路彼此向對方收斂表達自由電子假設，
彼此構成一種微擾。
再讓be網路的左右兩部分耦合，再讓o網路左右兩部分的權重耦合。重複直到滿足收斂標準。
Deep learning 與傳統的神經網路的區別
deep learning本身算是machine learning的乙個分支，簡單可以理解為neural network的發展。deep learning與傳統的神經網路之間有相同的地方也有很多不同。二者的相同在於deep learning採用了神經網路相似的分層結構，系統由包括輸入層 隱層 多層 ...
神經網路的訓練與部署
乙個網路的三要素 結構 演算法 權值 網路模型一旦選定，三要素中結構和演算法就確定了，接下來要對權值進行調整。神經網路是將一組訓練集 training set 送入網路，根據網路的實際輸出與期望輸出間的差別來調整權值。訓練模型的步驟 選擇樣本集合的乙個樣本 ai bi 資料 標籤 送入網路，計算網路...
《卷積神經網路的壓縮與加速》概述
有四種常用方法 網路剪枝，模型量化，低秩估計，模型蒸餾。網路剪枝主要有下列幾種方法 filter level剪枝 通過刪除filter來減少通道數量 group level剪枝即kernel size縮小 如將33變成32，或者3 3變成固定形狀包含若干個0的新核 稀疏卷積的方法 fine grai...