射精閥值與深度學習

射精閥值與深度學習

  4月 11, 2019    南爵官方管理員E

---

我們先設計射精感中的射精閥值定義為單一神經元為一個「激發函數」透過這個函數，我們可以決定資料輸出後的解結果。當然真實的人體反應為多元神經元結構所形成，我們單以需求結果做為單一設定去觀察變化。但是需要做一個前提動作，就是必須把刺激來源分類為線性與非線性的神經元單元處理

我們將會影響射精的最後結果設為單一，但是目的為是否透過刺激會形成射精閥值為設計，才能去觀察激發函數所產生的結果，有興趣的可以自行搜尋相關文件。

圖片參考來源：Joseph Wang

圖片參考來源：Joseph Wang

至於神經元裡面的激發函數公式是什麼呢？我們將影響射精閥值的指標特徵X1, X2, X3輸入進感知機後，感知機會分別給予一個對應的權重，分別為W1, W2, W3。若特徵向量和權重的內積結果大於某個閾值(Threshold)時，輸出結果為1 (代表射精閥值電流會傳遞)、若小於閾值則輸出0 (代表射精閥值電流不傳遞)。

利用感知機模型，可以解決機器學習的基本二分法問題：將類別僅分為0和1 (有產生射精閥值/沒產生射精閥值)

然而輸出結果只有0和1，顯得不太精確；感知機對線性分類有效，無法處理線性不可分的問題。什麼是線性可分、和線性不可分的問題呢？比如說陰莖單純接受刺激的次數，刺激源是固定時[每個人都有對於性刺激累積的強作用刺激]，隨的刺激次數線性的增加，可以線性計量，就是線性可分。

(但是也會遇到有線性不可分的問題；是要用橢圓或曲線才能切開，就是線性不可分。因此，線性可分的意義在於——我們能不能單純用一條直線把兩團資料點切分開。)

由於感知機只能解決線性可分的問題，但現實中的分類問題通常是非線性的，因此針對線性不可分問題，類神經網路領域又發展出了不同的激發函數，比如使用Sigmoid函數，將「射精閥值產生/不產生」的0和1標籤、進一步細化成可能的機率──「射精閥值產生/不產生」的機率是在0到1之間的任意實數，比如0.9907…(x=3)、0.2689…(x=-2)。

因此「Sigmoid神經元」進一步被提了出來，使用Sigmoid函數作為神經元的激發函數。Sigmoid函數即統計學上的邏輯回歸，因為圖形長得像一個S故有此稱。

而如果要將刺激源來自於情緒的刺激因素，與多元的刺激源產生的閥值的學習，就逼需要依靠這種非線性的方式去做計算，比如針對個人，疲勞時的射精刺激閥轉換，真對興奮時的刺激閥轉換，就需要依循這樣的神經元設計，比如高敏感+情緒低落刺激源轉換，低敏感+情緒興奮，刺激源不轉換，這類型不可分的資料結構；但是獨立進到函數計算時又是不同結果的狀況。

機器學習的核心概念是從資料中自行學會一套技能，並根據新給的數據、自行更正預測錯誤的地方、不斷地優化技能。

類神經網路採用監督式學習方法。在網絡中，每一個神經元都是一個激發函數；多個神經元連接在一起、形成一個類似生物神經網絡的網狀結構，並分成了好幾層。而這樣的架構如果以男性的功能為主軸，就是可以整合出一個男性生理變化模擬做出可與預測與判讀，這邊先介紹單一的射精閥單元區塊。