深空之流浪舰队 第105节
他没想到，第一个问题就这么刁钻，递归神经网络？什么鬼，根本就没有学过好不好！
虽然在本科期间，他做过一些科研项目，得到过一些成绩，可是和神经网络完全不搭噶啊，这怎么回答？
他就算是个学霸，但也就只有本科生水准啊……
第七十四章 你遇到了真正的变态
“请两位选手思考3分钟的时间。”
很快，3分钟后，主持人将话筒递到了蔡昆手中。
“下面有请请蔡同学回答。”
他红着脸，磕磕绊绊了好久：“很抱歉，这个领域，我并没有深入研究……递归神经网络是具有树状阶层结构且网络节点按其连接顺序对输入信息进行递归的人工神经网络，是深度学习算法之一。”
勉强背诵了一些定义，实在有些糊弄不过去，蔡同学道：“很抱歉，我暂时没有特别好的想法。”
底下传来了一阵嘘声，蔡同学虽然脸红，但还是硬着头皮站在台上。
他抬头看向张远。
就看你能够回答出什么吧。如果什么都回答不出来，你凭什么面试成绩比我高怎么多？
“下边有请张同学回答。”
“我有个问题。”张远举了举手，“hopfield网络我听说过，但什么叫网络稳定性？”
这位提问者笑了笑：“如果网络的某些权值可以收敛至平衡点，即称权值收敛，那么输出也就可以拟合期望的输出，即称系统稳定，因此收敛性是针对变量而言，稳定性是针对系统而言。”
“系统的稳定性得到不到保证，控制系统不稳定，网络的收敛性失去了基础。”
张远琢磨了一下一下，说道：“你的那个研究领域，我也没有深入研究过，只是看过某些论文。不过我有一些简单的想法，你可以听听。”
“……首先是单调性问题，离散时间连续状态的hopfield网络模型中当神经元的激活函数是否为单调函数，或者说是否局部单调。”
“第二是，通过研究能量函数成为凸函数的条件，将hopfield网络的运行看作约束凸优化问题求解，从而尝试着去论证是否有全局惟一极小点的充分条件……”
“凸优化，您说的很正确！凸优化正是我在做的方向，我还有一个问题……”
这一次倒是说到了这位提问者的心坎里，他又提了几个凸优化方面的问题，当场交流起数学来。
最后在主持人的示意下，张远只好说道：“关于凸优化方面的知识，如果有需要的话，可以台后找我探讨，这里就不详细说明了……”
很多东西他只是根据平时的积累，随口胡扯，如果真的能随机应变写出一篇论文，那他也不用上台，直接当“论文上帝”好了。
底下已经传来了一片鼓掌声。
这么短短的一段时间，高下立判。
蔡昆恨不得在地上找条缝钻进去。
他只能红着脸，暗地里给自己打气，或许是因为样本过少导致的差异，刚好遇到了自己不会，对方会的题目。
主持人又问道：“666号，请说出你的问题。”
提问者是一个女孩，她的问题相对而言比较务实，没有那么偏门：“我想要问一个，关于服务器中，缓存方面的问题。”
“缓存分为两个阶段：一是数据的放置阶段，在数据需求量较小的空闲时段，利用有余力的通信资源，向每个用户的缓存设备中放置数据。二是数据的分发阶段，假定在数据需求高峰期，每个用户随机向服务器请求一个完整的文件，服务器综合考虑这些需求，分发完整的数据，以满足所有用户的需要。”
“我的问题是，如何最科学地设计缓存方案？”
提问者甚至将一个PPT发到了屏幕上。
这个问题很具有专业性，但大家都能听懂在问什么。
主持人说道：“好了，各位请思考3分钟的时间。”
话筒交到了张远手上。
他笑着说道：“我觉得……还是把机会先让给蔡昆同学吧。我怕我说了之后，他就没的说了。”
底下的人又发出了一片哄笑，还爆发出一片口哨声。
有人相信了，也有人不相信。
蔡昆心中一愣，这一次，他还是有一点想法的，而对面的张远却好像说不出什么东西，需要更多的思考时间。
“……我有这样一个想法，各用户分别缓存每个文件的M/N比例的数据，在数据分发阶段服务器再将各用户所缺失的各自(1-M/N)部分的数据逐个发放，此时传输数据的值R=K(1-M/N)……”
“不知道大家有没有听说过，一种名叫‘编码缓存’的方案，具体的算法是这样的……”
“您说的有道理。”
虽然嘴上这么说着，提问者微微失望，编码缓存可以说是最平凡的一种想法，早就已经有成熟的算法了，没有任何研究意义。如果拿这个烂点子去开课题，估计会被导师一巴掌打回来。
接下来轮到张远，他清了清嗓子。
“蔡昆同学的想法很好，在分发阶段，利用已有的缓存信息之间的关系，设计所需广播内容的一定的编码组合，使得多个用户可以同时从单次的信息中译码得到所需的部分信息，从而得到全局缓存增益。”
“但是其局限在于，要将每个文件等分为一个随着用户数量K而呈指数增长的参数，众所周知，指数级别的分划，在算法上的难以实现……”
“我可以借用一下你的数字笔以及大屏幕吗？”
主持人愣了一下，“可以。”
张远在屏幕上画了几张图。
“……本质上，它是一个组合图论的问题，我们希望得到的是F为K的多项式级别，且R为常数级别时的缓存方案。或者证明这种方案的存在性与否。”