假设神经网络输入图片就是一个对象的动量矩阵,而将权重理解成速度的分布规律。比如用这个网络分类两个对象a和b,假设两个输入对象的质量m都是1,最终网络完成收敛意味着两个输入对象的速度的分布规律是相同的。
假设va1=vb1,意味着两个输入对象的速度分布是相同的,意味着两个输入对象在运动上完全同步。完成了耦合的过程,或者可以理解成二者在相互测量。
这时如果用网络进行分类,比如分类结果是准确率99%,这个结果表明这个完成耦合的网络有99%的可能是A||B,有1%的可能是其他。可以把这1%理解成是一种不稳定的衰变。
也就是放射性强弱和分类准确率高低描述的是同一件事,半衰期越短说明可分类性越差,分类准确率越低。
比如一种物质的半衰期是100年,
也就是100年后剩余50%的A和50%的B,A的分类准确率A与B分别是50%,
如果10年后测这个物质A的分类准确率
是A的概率是93.3033%是B的概率是6.6967%。
同样如果有些物质的分类准确率非常高,将导致半衰期非常长,表现为更为稳定的性质。