其实就是因为投掷器投掷物品的随机性,借此可以搭一个随机数生成器。
例如,在这个视频中:将两个投掷器脸对脸放置,用比较器检测其中的一个内容物。一个放入不可堆叠的物品(矿车),另一个放入可堆叠的物品(混凝土)。
设置矿车输出2格信号强度,混凝土只输出1格强度。再将一个侦测器对准一个投掷器,便可以随机切换另一个侦测器里边的物品,此时有50%的概率可以检测到是矿车。
因此,会得到一个「0」、「1」各占一半的串。
通过调整可堆叠物品和不可堆叠物品的比例,可以产生分数概率的随机数。将两个随机数生成器连接到同门上,便可计算二者的乘积。
经过简单的优化后,就可以得到一个2tick输出一次的高效随机数生成器。它将生成网络权重。
随后,激活函数会将神经网路中的输入数据非线性地映射到高维度特征空间,然后再进行线性分割。
作者使用的「LeNet-5」架构自然也少不了应用激活函数进行非线性映射。
在该过程中,首先先使用卷积提取笔画特征。