便需要神经网络算法的“分类”作用。

这里输入是一个（2，2）的坐标，它是一个1乘2的矩阵，这是输入层。

设定50个神经元，所以它便是一个1乘50的矩阵，这是隐藏层。

而结果1-4象限，则是一个1乘4的矩阵，这是输出层。

根据线性代数的知识，可以知道矩阵之间是能够沟通的，所以一个输出层的1乘4矩阵可以用最初的1乘2输入层矩阵表达。

这其中的操作，便在于为这个矩阵运算添加激活层以及输出正规化，再通过交叉熵损失来量化当前网络的优劣，最后再进行参数优化。

这个过程所需要的便是反复迭代。

重新走完这个过程后，林奇也不禁感慨地叹息数分。

他还记得大学的毕业论文课题，当时都是由各个导师根据自己的专业范围制定题目，然后再由学生们报名选择。

当时林奇选的慢了，最后剩下的都是若干不好啃的“算法题”。

毕竟做算法，墓地就是优化它的参数，让整个计算时间短一些，效果更精确，最终更优化些，可是每年一代又一代的学生，早已把沙漠上明显的宝石捡走了，剩下的方法也就研究生博士生的路子，自己圈一块地，继续往下深挖，想要靠着视野一眼就挑出钻石，那根本是无稽之谈。

而林奇最终思索数番，选择的是一道遗传算法做全局最优的题目，结果当时matlab早就有一整套成熟的工具包，林奇还是老老实实地自己编写函数，最终凑出一篇勉强的论文。

最终面对评审专家提问创新之处时，林奇也只能面前回答，他用的这几个参数组合，未见与前人文章，这才勉强划水过去。

而他那位选择了神经网络算法的舍友，当场被质疑模拟数据造假，差点延毕。

后来为了帮助舍友，林奇当时算是第一次接触神经