Skip to content

Latest commit

 

History

History
1030 lines (822 loc) · 42.9 KB

Note16.md

File metadata and controls

1030 lines (822 loc) · 42.9 KB
Raw

小鸟生存演示2-MOL/行为化/迭代输入

n16p1 内类比中mv基本模型的支持

CreateTime 2019.03.22

内类比中,所有构建的fo亦需遵守mv基本模型 (fo<=>mv互指向);

mv在he中的流程简图 >>
1. 分布在全网的网络强度为静;
2. 作为指引的mv节点为动;
Q: 意识流双序列中,强度序列本由mv的动转静转化而来,那么时间序列是否受mv影响?
注: 关于mv影响关联强度,参考17年10月文:《he4o神经网络》
absMv的融合方式 >>
值的融合 >>
> mv中以迫切度和delta数来表示信息,所以可以通过简单的计算来融合;如下两种:
1. 求和平均 将采用
2. 相对取小 正采用
标识的融合 >>
1. 当conMvArr抽象absMv时,所有具象arr中,标识一致则继用,不一致,则用"mvNone"标识;
求和平均 >>
1. 关联强度决定,mv融合时的比重系数; (暂不实现)
2. 采用原因: 因为内类比的联想以"动微信息"为源,所以会导致mv有正有负;取min则容易导致,所有absMv皆为负情绪;
如: (aMv=2 & bMv=1) = 融合后为1.5;
如: (aMv=3 & bMv=0 & a强度=2 b强度=1) = 融合后为2;
注: 关联强度的运算方式: 如aMv将被抽象,他的强度为aMv.conPorts中前3位的strong求平均;
注: 第1条暂不实现原因: 我们目前都以计数器方式在做,改动较大,以后再改;






n16p2 实与虚2

CreateTime 2019.03.26

实与虚有两条:

  1. 智能体相信的仅是系统内信息;
  2. 智能体内信息处理真实度时: "瞬时>短时>长时";
  3. 眼见为实 (瞬时相对实),眼见又不一定为实 (相对实但不绝对);
前言 >>
1. 在note15中,我们得到最具象即真实,但有时最具象还未存在,需要去寻找;
2. 此时我们需要借助fo来联想查找之;
简介 >>
1. 我们需要让小鸟知道树会掉坚果; (带皮)
得到真实坚果的方法 >> 选用
方法1. 祖母中,先抽象,后最具象,找到坚果; 75%
方法2. 先微信息,再局部匹配不同的坚果; 5%
方法3. 先时序,doChange找到坚果出现的时序; (可解决,最具象需要寻找) 80%
坚果的发现步骤:
  1. 对于坚果祖母的引用,可以联想到抽象的fo;
  2. 从此抽象fo中,可以得到坚果树->坚果的时序;
饭的发现步骤:
  1. 对于饭的引用,可以联想到抽象的fo;(做饭)
  2. 从此抽象fo中,可以得到做->饭的时序;
问题:
  1. 有些真实源于寻找或创造(fo),有些源于大脑(alg最具象);
  2. 我们是否可以脱离了fo而找到真实的祖母?
深入思考 >>
图1
解析 虚实与本质上是祖母与时序的协作问题;
图2
解析 本质上是虚与实的动->祖母的 产生 与 消失 问题;
解析2 在时序中,A->B->C,前面导致后面,B在A后产生,又在C前消失;
解析3 所以,产生与消失是伪命题,解决了mv即为实;
例如: 信宗教的人,念阿弥陀佛解决了心理问题,会认为佛教有用;
矛盾点: 我们不能吃昨天的饭; (最具象被消费掉)
矛盾解析: 我们可以固定去工具箱拿剪刀,每次如此,尽管每次都拿走了;
结果 结果见下表;
思考结果 >>
TITLE 虚与实,在于he自己愿意相信它为实,或虚;
DESC 虚与实是伪命题,本质是mv的反馈强化学习,在决策中作用于评价;
新问题 为什么在吃->坚果中,吃没有导致出现坚果;
而做->饭,做却导致出现饭;
吃饭 和 做饭 的区别;
新问题2 mv的反馈强化能否融入到mv基本模型,是否有什么异同?
A2 此问题与本题无关;
新问题3 是否需要对外类比进行迭代,以更好的支撑决策?
解决方案1 >> 做饭 和 吃饭 的区别问题
祖母的嵌套,比如:空间中有坚果
1说明 此时,在内类比中,子祖母作为微信息的变化;
1分析 要想类比,必然有信息可比,饭的子信息是缺失的,那么,找父信息,如何确定父祖母呢? -> 如:做饭,说话 ->转至n16p3
结果 采用,嵌套本质是信息嵌套,祖母嵌套,与空间无关;
解决方案2 A->B->C时序,前导致后;
2说明 每一个元素都在前一个后出现,且在后一个前消失
2结果 错误,吃饭并没有导致饭出现;
2说明 前导致后,但后一直存在;
结果 方案2废弃,因为跑题;
解决方案3 空壳祖母 & 实壳祖母
3说明 0信息,本身也是信息;
3采用问题 如果采用了祖母嵌套,那么无需要再采用空壳祖母
结果 方案3废弃,因为有了更加正确的祖母嵌套方案;
解决方案4 内类比扩展 + 抽具象实现祖母嵌套
4说明 将微信息的不同数扩展为n个,并支持祖母嵌套中,祖母的消失变化;
4Q 祖母嵌套是否需要支持主动视觉呢?
A 如果,可以将坚果与皮识别为嵌套两个祖母;那就不用主动视觉;
4问题 是否抽象具象,可以替代祖母嵌套呢?
A 实质上是,具象中的values中,应该不应该以相同的祖母来替换那部分信息量;如:a3=(a,b,c)那么a,b,c,d节点,用不用改为a3,d
A 所以,理论上,这一块应该被替换,采用率90%
结果 采用,先祖母嵌套,后内类比扩展进行支持;详情转n16p3

问题: 为什么眼见为实?

  • 正向反馈,愿意相信眼见为实;

换个方向: absFo吃饭 的具象时序 con1做饭吃/con2买饭吃;

  • 正向反馈,愿意相信,做饭能吃饱;

方案2: 祖母的嵌套方案 >>

原则:

  1. 我们要尽量将祖母嵌套问题,作为一个系统性的问题,来自然而然的过程;
  2. 比如: 思维控制器,在构建时,则具有此嵌套结构;
  3. 要通过几个实例的内省,来互相印证一下,提高此方案的可信度;
  4. 在认知升级,组分循环中,又有多少微信息可以独当一面呢?几乎都是祖母吧;
  5. 隐性的场景,祖母中不注意到的信息;
  6. 嵌套非强制,所以此方案作废;
如何嵌套的确定父信息 >>
1. 将没饭的厨房 做成 有饭的厨房;
2. 祖母的嵌套 能解决所有的 虚与实 的问题吗?
如: 厨房做饭 公司点外卖 饭店买饭 在家吃饭 等午饭
白话描述: 在 xx 出现了 xx
如:在周围出现了声音,在厨房做出了饭,在那儿掉下了坚果;

4. 内类比扩展

  1. 坚果 + 皮 = 2个祖母嵌套;
  2. 当汽车给坚果去皮 -> 内类比,发现 皮 消失;






n16p3 内类比迭代之祖母的嵌套

CreateTime 2019.03.29

  1. 描述：实与虚的问题,最终变成了祖母嵌套的问题;
  2. 本质：其实本质上是类比构建祖母的有和无;
  3. 白话：说白了,是物质欲望的问题;
  4. 实践：此处通过网络结构与mv基本模型,来表达出了物质欲望的成因与作用;
内类比迭代之祖母的嵌套 >>
1. 原本内类比仅支持是祖母的变化,而有了祖母嵌套,可支持祖母的有无;
2. 变化公式为:a1->a2 得出 1-2变大
3. 有无公式为:algA(a0a1)->algB(a0null) 得出 a1消失
有无白话描述：一个由坚果肉和皮组成的祖母,当变为无皮坚果时,我们会认为皮不见了;
祖母嵌套所导致的问题 >>
1. 视觉惯性与思维固化;
解释1: 当从类似上图上,我们看到兔子时,下次会再惯性看到兔子;
解释2: 类似,其它视觉之外的思维,也是如此;
代码步骤 >>
1 构建抽象祖母时,将absAlg的pointer替换到conA和conB中的相应values处;
2 内类比中,扩展支持values中,abs_p类型的类比(即有和无)
3 构建相关的:有无祖母,导致有无的时序等,参考下表
有无祖母构建表 >>
1. 将有无祖母的值,采用cLess表示无,cGreater表示有;
tips: 尝试将有无祖母与变化祖母使用同一处理方式;
TODO: 去代码中,检查alg采用的标识,(建议采用自增唯一标识符);

变化: 使用同一标识下,值的变化,来类比;
有无: 使用(祖母标识)下,关于类比时的,标识判定问题?是否需要标识相同?

  • Q1: 内类比有无时,需要标识一致吗?

    • A1: 不限于标识,对其values进行类比; (限values中微信息的标识);

  • Q2: 祖母嵌套的根,根是什么?这个模糊的根需要做什么处理吗?不会影响各正常功能吧?

    • A2: 从模糊的根部,其实我们也得不到抽象之外什么有效的东西;所以,不必处理,不会影响;

  • Q3: 为什么抽象祖母时,abs_p要替换到conA的相应values处?

    • A3: 因为思维必然要构建,要么就采用此方案,要么构建一个v1v2a3这样的中间祖母,上抽象指向a3,下具象指向v1v2v3;

  • Q4: 有无祖母如何知识表示?

    • A4: 可以由cHav和cNone来表示有和无;
有无的构建和知识表示 >>
1. 构建部分,暂放一放,因为依赖知识表示部分的解决;
2. 知识表示:
> 知识表示难点: 有和无在哪表示;
>> 难点解决解决: 采用与cLessGreater同样的方法: 当我们联想到algA,找他的cHav问题时,想根据algA_p和cHav找到微信息,然后找引用祖母,此时,此祖母就是algA为实的祖母;然后此cHavAlgA与algA抽具象关联着;
> 知识表示方案: 独立动祖母模块;
>> 此方案,在以后版本中,再使用,此时虽正确,但时机不够成熟;
有无的知识表示与构建步骤示图 >>
说明: 四个区: 微信息区,分为alg区,fo区,mv区;
1. aA祖母中,a0抽象时的嵌套,即将a0_p替换到aA的values中;
2. 构建流程从aA->x->aB的内类比发现a0消失开始;
3. 微信息中,以a0的指针转字符串: a0_p.str为标识 + cNone为值;
注: 图中abs为抽象关联,ref为引用关联;
QA >>
Q1: 在内类比中,支持多个微信息的不同;
A1: 目前不需要;
Q2: 非连续微信息的嵌套问题,如a,b,c,d,e,f,g类比a,b,w,d,e;
A2:目前祖母外类比,仅支持非连续的单一sames结果,所以不存在多个的问题,absAlg(abef),conAlgA(abef,w)和conAlgB(abef,c,d,g);
Q3: 是否可废弃祖母嵌套?
A3:99%否;
Q4: 因为...所以...的嵌套问题
A4:用时序解决; 
//内类比中祖母的无 >>
1. 时序(Alg1 Alg2 Alg3)
2. Alg1(1,2,3,Alg4)
3. Alg3(1,2,3)

>> 结果: 在时序中,从Alg1到Alg3中,Alg2导致了Alg4的消失)
祖母A变成祖母B示图 >>
1. 马里奥进入管道,后变成一坨屎;
2. 我们通过时序内类比,发现了马里奥变屎,并抽象;
3. 抽象信息方面:我们会认为这坨屎成为玩家;
4. 具象信息方面:这坨屎会跳的话,我们不会奇怪;






n16p4 继续写AlgScheme-行为化

CreateTime 2019.04.11

以上已解决大,小,有,无的问题,所以此处回归到决策循环,继续从algScheme来解决祖母的判定,和最终输出到actionScheme行为;

名词解析：
1. 认知学习：
　　认知过程中,要类比——类比后,要构建学习入（最常用写体操作）;
2. 决策行为
　　决策过程中,要评价——评价后,要联想行为出（最常用读用操作）;

代码步骤 >> (发现->距离->飞行)
1. 找到坚果,由有无时序来解决"有无"问题; cNone,cHav (有无)
2. 找到的坚果与fo中进行类比; 找出距离不同,或带皮的不同 cLess,cGreater (变化)
3. 将距离与带皮转化成行为,条件的行为化; 如飞行,或去皮 actionScheme (行为)
FoT模型 >>
简介: fo时序模型已不足以支撑所有时序的情况,也不够简单 (微观最简时序);
1. 新模型: FromOrderTo (FoT时序变化模型);
2. 含变化模型,有无模型,mv基本模型,都可以由此模型兼容;
3. 公式为: cFront->order->cTo;
4. FoT模型由fo模型/DoChange模型演化而来;
5. 目前仅支持rangeOrder.size() == 1,的使用; (随后再放开更多)
6. 新模型用来兼容所有从类比中,发现的各种时序;
TODO: 考虑将mv基本模型,统一为:cHav->orders->cNone的模型;
PS: 其中中间的orders为rangeOrders;
祖母行为化示图 >>
1. 以memOrder为起点,其中A4,A5为需行为化的两个祖母;
2. A4找到A4fo,由A6->A7实现,且A7是isOut类型;
3. A6找到A6fo,由A8实现,此时将A8返回给A4fo;
4. A4fo将A8->A7返回给memOrder;
5. 此时memOrder为A1,A2,A3,A8,A7,A5(未实现),然后开始实现A5;
6. 此时找到A5fo,由A9实现;
7. 找到A9fo,由A10实现;
8. 找不到A10fo,返回A8fo失败,再返回A5fo失败,再返回memOrder;
9. 最终整个memOrder因A5而导致判定失败;
单个条件祖母行为化 >>
1. 题中,A1为条件祖母;
2. 先直接对条件祖母判断cHavA1;
3. 否则检查其absPorts,并找出可cHav的: absA1;
4. 对absA1中的value_ps进行取差集: absDistance;
5. 找出absDistance的cLess,并行为化;
注: 红色为最终判定失败; 绿色为最终判定成功;
祖母嵌套在行为化中的作用 >>
1. 在条件祖母A1中,有微信息v1、嵌套祖母a2、微信息v2;
2. A1中先找到A2的cHav,后解决v1&v2的变化;
标题 预测信息 <=> 诉求信息
简介 行为化中的有无与变化
1 cHav 得到坚果
2 cNone 去掉皮
3 cLess 吃到坚果
4 cGreater 躲避汽车
结果 将预测与诉求信息进行类比,并得出是cHav/cNone与cGreater/cLess
algScheme中subValue行为化方案 >>
1. 简单暴力方案: 5%采用
//此处还未发现具象坚果,所以只需先判定,subValue的cGreater和cLess是可以被变化的,即可;
2. 精细靠谱方案: 95%采用
//1. 我们从subAlgFo中,读取到我们所得到的结果,便是 "预测信息";
//2. 将 "预测信息" 中的对应标识的"预测subValue",与 "诉求信息" subValue进行对比;
//3. 将此两者信息进行类比,得出一个cGreater/cLess,后判定其行为化可行与否;
subValue行为化示图 >>
1. 以蓝圈subValue开始;
2. 以红圈查找cLess结束;
诉求信息: 为距离为0;
预测信息: 为每一次得到坚果时的一些距离,此处有5,8,10等;
//进一步思考: 如果fo1/2/3得到了带皮坚果,那将需要皮的cNone来去皮;
subValue行为化代码步骤 >>
前提: 相伴的subAlg已经找到了其行为化: subHavAlg,此处仅对subValue行为化;
1. 从subHavAlg联想其"引用序列"的时序:subHavFo;
2. 从subHavFo联想其"具象序列":conSubHavFo;
3. 从conSubHavFo中,找到与conSubHavFo.subValue作为预测信息;
4. 将诉求信息:subValue与预测信息:conSubHavFo.subValue进行类比,并得出cLess/cGreater;
结果: 说白了,就是分析到: "坚果会掉到树下,我们可以飞过去吃;"






n16p5 继续迭代决策循环

CreateTime 2019.04.26

从抽象层到具象层依次为: mv需求->mv节点->fo节点<->祖母节点->微信息

NUM 关于决策循环一些描述
1 不应期要由具象至抽象的回归,越具象层越易被不应期;而越抽象层越不易被不应期;
2 不应期是针对node还是port?
A: 不应期改为port,比如:做饭与懒冲突,但解决了饥饿问题;
3 每一层,都递归到总入口: data_Out()
4 每一层模型,都要有自己的score分;
5 每一层模型,都有一个有序序列,实时有序,元素为下一具象级模型;
6 抽象层取score时,取具象每层第一个,并求和;
16052-决策循环架构示图 >>
1. 最终选择右边,先横后纵;
2. 因为越(先)抽象mv越偏向感性评价,越(后)具象偏向理性评价;
说明:
> 1. 红框为两个方案;
> 2. 绿框为选定方案的总结;
> 3. 中间为分析;
总结 >>
1 将ThinkOut中所有TOModel整理顺,都继承自TOModelBase;
2 TOAlgScheme中暂不支持TOModel,单纯简单的行为化不影响v2.0运行;
3 TOAlgScheme中暂不支持energy,以精确控制其运作;






n16p6 场景视觉

CreateTime 2019.04.28

场景视觉的必要性分析 >>
如图:
> 1. 上面,我们会认为A变成了B;
> 2. 中间,我们会认为A的基础上又出现了B;
> 3. 下面,我们会认为由A一个变成了BC两个;
结果:
为了内类比更好的工作,我们有必要做整体场景视觉;
场景视觉中的视觉个体区分 >>
1. "信息输入"与"识别"更紧密的配合;
2. 嵌套祖母更全面的应用;
伪代码步骤 >>
1. 对各view的数据及位置传入;->类比中自然可以按位置进行分类;
2. 可按任何微信息进行分类,如:pos,color,size;
算法层 >>
上部分:
> 1. superView->alg1->视野
> 2. allSubView->algX->算法"结构化数据"输入
> 结果: 算法结构化数据的结构源于微信息对所有数据的分类;
中部分:
> 前提1. 视觉中有ABC三个小人;
> 前提2. 网络中有D小人;
> 前提3. A有D的脸,B有D的身材,C有D的发型;
下部分:
> Q: 我们如何知道我们看到的不是D?
> A: 把算法结构化数据输入到网络中,作为祖母嵌套,此时ABC都仅有部分与D相同,即说明我们看到的不是D;
结构化Result的来源 >>
> 结构化Result, 如: abcdabeabdeabc 与 abcd,abe,abde,abc
方案1. 先天, 简单,1%采用
方案2. 后天, 需类比抽具象来分类,99%采用
思考: 位置的颜色,颜色的位置等,微信息需要传达给我们的东西,让我们做作分类的依据
思考: 谁和谁类比,比了后的结果是什么? 如A与B类比,然后C是跟着A还是B;
> 方案1与2融合: 批次标识
1. 由算法处理批次,来标识当前算法结果;
2. "批次标识"含1个父标识 + 1个子标识;
3. "父标识"为当前桢,"子标识"为当前算法运行轮次;
场景视觉流程示图 >>
1. Input一桢图像;
2. 算法层,以总分配 到 子运算;
3. 将收集到的inputModel (字典/二维数组),传给思维控制器;
4. 思维控制器中,进行1构建祖母嵌套 2识别 3加入瞬时记忆 4构建到时序;
注: 其中仅父祖母进入瞬时记忆和构建时序;






n16p7 迭代思维控制器支持场景视觉

CreateTime 2019.05.05

连续的瞬时记忆 >>
> Q:是否需要一个连续的瞬时记忆,而不是总清空;
> A:目前先不改,时机未成熟;
TC迭代代码步骤 >>
1. 构建祖母嵌套 所有view构建为subAlg,parentAlg中嵌套所有这些subAlg
2. 识别 对所有subAlg进行识别,并将view抽象关联到recognitionAlg 5%或类比 95%;
3. 加入瞬时记忆 仅将parentAlg添加到瞬时记忆;
4. 构建时序 时序很具象,但类比时,可深入到祖母;
注: 此处parentAlg为具象祖母,subAlg为抽象祖母;
场景视觉分类 >>
Q: 视觉中,红色的部分,可以含多个祖母,此部分应作为抽象还是具象节点?
A1 类比各祖母抽象出此节点; 5%选用
A2 具象此节点,并嵌套各抽象祖母; 95%选用
注: 需求时机不成熟,先不做
参考: 下表,祖母内类比
祖母内类比 >>
简介: 目前默认为按边缘(ios.view层级)分组;
说明: 通过祖母的内类比,来扩展别的维度分组,如按颜色分组,按边缘分组;
注: 时机未成熟,目前仅靠边缘即可,以后时机成熟再扩展内类比;
识别后类比 >>
简介: 识别后,对alg与recognitionAlg进行类比操作,并构建网络关联;
作用: 可使新的输入与旧的知识体系产生关联;
注: 非常有必要,但是需求时机暂未成熟;






n16p8 v2.0测试与细节完善

CreateTime 2019.05.07

1. 飞行方向 >>
区域模糊匹配
2. 改进神经网络可视化 >>
3. 开发学习包 >>
1. 数据包
2. 记忆虫
3. 循环轮次
> 可以使用反射来做;
> 每次执行,产生一个训练日志,记录了,每一步时间消耗 & 检查学习成果等;
学习包设计 >>
1. LearnBag.start(RecordMode); //初始化为记录模式;
2. LearnBag.add(); //记录一步;
3. LearnBag.end(); //打包;
注: RecordMode模式下,记录我们的每一步操作,来生成学习包;
1. LearnBag.start(LearnMode); //初始化为学习模式;
注: 此模式下,所有LearnBag.add()直接return;
注: LearnMode模式下,对包中每一步,进行自动执行,且记录日志;
可打包: 飞行包 吃食包 生存场景观察包 等等;
202010更新
1. 学习包场景构建不用和现实一模一样,简化即可 (如尖顶方形表示建筑,镜之边缘的建筑),最低要求是可迁移;
2. 学习状态下,无需energy(无限或不消耗),且不会有demand打断(避免新demand);






n16p9 v2.0性能优化

CreateTime 2019.05.08

异步持久化 >>
写XGWedis,异步且在子线程持久化;
整存微信息 >>
问题: 微信息取value频繁导致卡;
解决: 将data存为整体,以优化读取性能;
refPorts频繁 >>
问题: 非常频繁的取refPorts来做关联;
解决: 采用区间整存的方式,合适划分为一块块的;
尝试: 尝试使用意识流双序列来解决此问题;






n16p10 训练

CreateTime 2019.05.09


小鸟的基本行为事件: 1吃 2踢 3飞 4撞

飞行训练 >>
1. 飞行8方向 x 坚果8方向 = 64向映射;
世界规则 >>
1. 距离<=10 可吃,以饱
2. 距离<=10 可踢,以移动坚果
3. 距离<=0 可撞,以疼






n16p11 意识流双序列-内存网络

CreateTime 2019.05.09

简介:

　　意识流双序列,又称:内存时间序列,是在disk中强度序列之外,另有一个内存中存的时间序列;

作用:
  1. 与强度序列相对,让现实刚刚输入的东西,更及时的帮助到智能体解决问题;(如看到坚果) (越抽象越依赖强度,越具象越依赖近期可解决)
  2. 性能优化,不必每一次具象输入都访问硬盘,省容量,写入执行快,读取结果也更实际;
意识流双序列 (内存时间序列) >>
1. 原图处理后的装箱建索引,是可持久化的;
2. 内存时间序列用来构建临时内存网络,是不可持久化的;
3. 进行类比后,抽象节点,不在此序列中;
原则: 仅conAlg,conFo,conMv会做为意识流主体;
意识流双序列的边界 >>
简介 意识流处理范围有哪些?
原则 conAlg,conFo,conMv及其相关的ports都放到意识流;
1,conNode 意识流主体,直接用XGRedis存,而不进行持久化;
2,memRefPorts 微信息引用序列,写memRefPorts;
3,memConPorts 其抽象节点absNode的conPorts,写memConPorts;
相对 >> DESC
1. memNet为动->hdNet为静 有相对,有转移;
2. tc为动->皮层为静 疑不算相对,因为不循环;
3. 小脑是固化脑->大脑是思维脑; 小脑对于输出的固化网络

小脑固化网络;

  1. 如:走路,这样的动作,都要不断的试试试,不断的犯错,修正,才能学会走路;
  2. 还有一个弱点,就是会形成一种动作习惯,很难改掉;
  3. 问题:固化时机,是以参数输出为时机吗?
  4. 问题:固化条件,是以同类型输出,参数相等,而类比,并抽象为固化吗?
  5. 问题:he的固化脑要集成在目前网络中,还是独立;






n16p12 内存网络的转移

CreateTime 2019.05.17

内存网络的使用入口 (下节开用) >>
1. memRefPorts,2. memAbsPorts,3. memConPorts
具体要做的事 >>
1. 代码中要避免memNode持久化,会导致无法过期 需解决判断是否属于memNet的问题; (演化为问题,见下表)
2. 要让memPorts中,过期的移除;
3. 要将saveDB集成到AIPointer中; (完成)
memNet使用中的问题 >>
1. 前提: 内存中,a1,a2,a3在被f1引用着;
2. 变化: f1被抽象为f2;
3. 情况: 此时f2引用了a1和a3;
4. 需求: a1和a3此时需要被转变到hdNet中;
5. 问题: memNet到hdNet的转变过程是怎样的?
memNet到hdNet转移的过程 >>
1. ref和memRef用两份,node和memNode也用两份;
2. memNode转为hdNode时,如果已存在则strong+1,如果不存在改isMem=false并直接转存hdNet;
注. 文件名区分: ports使用memPorts,node使用memNode;
TITLE memNet->hdNet的转移代码实现
示图
说明 构建新的需持久化的抽象时,必须把所有相关信息都转移到hdNet;
释词 所有相关信息包含:本信息和引用信息;
举例 foNode转移时,需要连带其orders中algNode,以及algNode.refPorts,以algNode.content_ps中value.refPorts;
时机 一定是新构建抽象时,才会触发转移;
代码 将转移代码单独封装成方法,供调用;
原则 我们仅在abs抽象时,对所需的祖母进行转移,而fo和mv不必进行转移;






n16p13 内存网络的使用

CreateTime 2019.05.23

使用入口 >>
1. memRefPorts
2. memAbsPorts
3. memConPorts
具体工作 >> STATUS
1. 识别时取memRefPorts优先识别; T
2. 一切取ports的都优先取memPorts; 在MIL&MOL等TC代码中;
3. 构建抽象时,去重,优先取memPorts; T
4. 对ThinkIn代码检查支持内存网络; T
5. 对ThinkOut代码检查支持内存网络; T
6. 对ThinkControl代码检查支持内存网络; T
7. Output & ThinkingUtils & NVUtils & AINet & AINetUtils T






n16p14 训练2

CreateTime 2019.06.03

点 描述 解释
1 训练多种可能性 包括8方向各自独立学习到网络
2 神经网络可视化 学习日志 / 动态扩张可视化






n16p15 神经网络可视化v2.0之图形可视化

CreateTime 2019.06.06

为了调试训练,图形化可视化变的越来越重要,原有的v1.0版本看着让人头疼,极其影响效率;
1. 整体一个scrollView
2. 一个数据序列nodeArr,内含所有node
3. 从左至右,分别为value,alg,fo,mv四部分;
4. 用节点信息反视图显示节点,默认为白色圆点;
5. 指向(按住)节点时,显示微信息值;
6. 指向(按住)关联时,显示强度等信息;
7. 对抽具象关联与引用关联采用不同颜色线;
8. 对嵌套引用和直接引用微信息,采用不同颜色线;
代码设计 >>
1. 封装 NodeView单独分层，使可自定义，可默认
2. 性能 硬盘网络异步，内存网络可实时加载
3. 数据 1个nodeArr,1个refPorts等;
4. 架构 baseView -> value_alg_fo_mv
接口设计 >>
1. 模块id 如value alg fo mv
2. refPorts 引用与被引用关联
3. absConPorts 抽具象关联
4. nodeView 可默认白圆,或指定nodeView
5. lineColor 默认灰色,或指定颜色;
6. tipsDesc 指向节点或线时,显示的内容;
排版算法 >>
1. 层编号算法 (纵排序)
1. 对所有节点数据,逐个纵向打通,来做层级判断; (作废)
2. 中间放layerId池(如a-z最多26层); (作废)
3. 此时,逐个取layerId,并编层号; (作废)
4. 中间,如果有插队的,则将layerId对应的layerValue更正,+1或-1 (作废)
5. 最终得到正确的layerMap<layerId,layerValue>; (作废)
注: 以上步骤作废,本质上很简单,就是排序;
2. 同层节点选择器
1. 当同层节点过多时,会有互相覆盖的情况;
2. 此时,可以做一个选择器,来帮助选择高亮目标节点;
3. 多个独立组问题 (横分组)
问题描述: 在同一模块下,会有一组节点独立与另一组节点无关联;
解决方案: 相容算法;
1. 先一一对比,取得所有关系模型(compareModels);
2. 对所有nodeArr进行分组groups(二维数组);相容则加入已有group,不容则作为新group;






n16p16 训练

CreateTime 2019.06.24

前提:

  1. 小鸟可飞行8个方向;
  2. 小鸟无头尾,故无正对正视概念;
  3. 概念区间问题,随后解决;
训练飞行 TITLE DESC
1 直投 知道吃坚果解决饥饿问题
2 马上饿 有解决饥饿的需求
3 远投 看到坚果吃不到,知道是因为距离问题,但解决不了
4 摸翅膀 学习飞行方向所导致的距离变化;(飞8方向x坚果8方向=64映射) (小鸟更关注飞近,而非飞远)
5 主动飞 小鸟可逐步学会飞行方向越来越准确;
6 主动吃 小鸟可在飞行坚果旁边时,吃掉坚果;
改动记录 >> DESC STATUS
1 瞬时记忆放各subAlgNode,而非单parentAlgNode T
改动与BUG解释 >> TITLE IMG DESC
1 哪里放入瞬时记忆 一个祖母,所属的场景,不是parent场景,而是其本身所处的位置,即,一个空地方,本身含的origin信息,即可联想到当时有的祖母,而不必非要场景;
RecognitionUse后流程改动 >>
说明: 以往在RecognitionUse后,直接抵消需求,而不是回归到dataOut,所以改动如下:
1. 看到西瓜不会开心,而是会根据对应mv激活思维活力;
2. 根据思维活力去决策当前是否有需求,及能否解决; (到dataOut)
3. 使决策中,可以优先想到内存序列中的此西瓜,并解决问题;
注: 对于he仅信息是真实的,而所有脑内信息全是真实的;所以改动后,测试基准如下:
基准: 在马上饿后,dataOut失败,然后看到西瓜后,再去dataOut成功;则说明改动ok;
TODO >> STATUS
190719: 继续测试乱扔坚果,识别是 -> 识别用 -> 引发想吃;
190722: 训练飞行导致距离变化;
190723: 先支持8方向飞行; (先不写模糊匹配,因为不影响小鸟演示) T 
/**
 *  MARK:--------------------训练飞行TODO:--------------------
 *  训练前提:
 *      1. 使小鸟有时序,"吃-坚果",能够解决饥饿问题;
 *
 *  训练距离:
 *      TITLE. 通过摸反射,飞行,学会飞行导致距离的变化;
 *      1. 点击一下,马上饿,产生demand和energy;
 *      2. 远投一个坚果;
 *      3. 点击摸翅膀,让鸟在触摸反射动下,和坚果距离产生变化;
 *      4. 直投,让鸟在时序中,意识到靠飞行,来距离变化,(调试内类比构建);
 *      5. 产生多个映射时,能够在行为化时,模糊匹配到最相邻的微信息,并尝试行为化输出;
 *
 *  训练步骤:
 *      1. 先"马上饿";
 *      2. 后"远投"一个坚果;让小鸟看到并识别;
 *      3. 小鸟在行为化中,想解决坚果的距离问题,但解决不了;
 *      4. 行为化失败则急;
 *      5. 行为化成功则飞行;
 *
 *  训练主动吃:
 *      1. 从被动吃向主动吃的过度;
 *
 */
TODO: STATUS
1. 调试"吃-坚果-mv+"时序 T(已有"坚果-吃-mv+"时序)
2. absManager中,对alg&fo的防重; (应该每次新的fo与老的assFo进行类比,抽象大机率已存在,无需再构建) T
2.1 新构建alg和fo都是正常的,但联想到的应该是老的assFo,(已调试ok) T
2.2 OutAnalogy的结果,如果与assFo内容一致,则不必再新构建foNode,(当前是又构建了与assFo一致的absFo,明日改) T
2.2.1 硬盘的已通过修改前期的createAbsAlg()解决。 T
2.2.2 内存的，为了学会新的时序（比如学玩新游戏，暂不改）。 T
3. 调试mv方向索引的强度序列,强度都一致的bug //FIX:联想时强度+1,更多参考:迭代计划18 T






n16p17 测试

CreateTime 2019.06.24

BUG记录 >> DESC STATUS
1 微信息data序列去重BUG T
2 有"抽象坚果"的refPors为空; 因为外类比时,conA1和conA2的absPorts在内存中 T
3 马上饿时,"OutFly"导致了饿,这个是bug
4 节点排序算法之分组BUG T
5 节点排序算法之分层BUG (单组排序BUG) T
6 模块中仅有一个节点时,未入到组,导致排版bug T
7 模块x满,导致node位置变化,而line未更新导致指向错误的bug T
8 多次直投,发现抽象出的mvNode是null; (因为创建absMv时,转换conMvs失败,导致抽具象关联失败,且未存储) T
9 BUG:联想到的识别用的mvNode是null; T(同上)
10 思维活跃度能量消耗过快,改为float类型,alg消耗0.1/fo消耗1.0 T
11 越是抽象的foNode,反而orders越长; 加了可见标记后,无法复现
12 在场景视觉中,有些view不应该被小鸟看见 (如:嵌套的containsView) T(仅车,路,灯,树,食物可见)
13 图中alg1和alg2不应同时作为fo的元素; 因为场景视觉和嵌套子概念都加入瞬时记忆导致 尝试仅场景概念加入瞬时记忆
14 图中,A0由有变成A2的无,此处应该是坚果被吃掉,而不是场景被吃掉; T
15 点马上饿,TO输出"吃" (说明在认知过程中,有了过份抽象的问题);//图中o4为"吃" 转n16p19
16 未见有无距离的抽象坚果生成; (已调试发现"w5,h5,角2.5,色绿"的坚果) T






n16p18 Git训练机

CreateTime 2019.08.06

　　在训练中，发现很多在某一步骤遇到的问题，极难复现。因为神经网络后天一直在变化中，只要变化，原来的状态就很难复现出来。导致bug被发现，却无法被复现。所以本节重点思考写一个git训练机的工具，来将沙盒中所有文件做一个版本控制。

开发计划
1. 每次操作，产生文件变化时，自动commit。
2. 每次恢复到某一状态时，自动打分支。
3. 每个master提交点的分支，收起显示从此点打的分支数量。点击，可展开，对每个分支可快速删除。
示图
1. 主分支master,每次提交由一个提交点,和一个提交说明组成(如直投);
2. 具有分支的在提交点上显示分支数量;(如6)
3. 点击提交点后,展开其分支;(如6个分支)
4. 每个分支左侧有一个删除按钮,可用于删除分支;






n16p19 类比迭代

CreateTime 2019.08.13

问题起源BUG: 过度收束问题，fo[吃]->mv+
用于抽象的两个节点分别为：
一. fo1[坚果场景,吃,空场景] -> mv+
二. fo2[坚果场景,A(见下图),空场景] -> mv+
1. A -abs-> B,C
2. B -abs-> D,E
3. A -嵌套-> B
4. B -嵌套-> C
本质为: 概念嵌套导致的问题:
解决方法: 取消概念嵌套,如下图:
TODO: 改内类比方法,
改内类比后,训练飞行设想:
例1:同飞,不同向,导致距离影响相反;
×　fo1[方向3_距离8,飞行1,方向3_距离9]
×　fo2[方向6_距离8,飞行1,方向6_距离7]
×　内类比fo1后: fo3[方向3_距离min,飞行1,方向3_距离max]
例2:车压,坚果皮由2变0;
×　fo1[W5_H5_B2,轧,W5_H5_B0]
×　内类比fo1后: fo3[省略...]
例3:直投时,坚果场景->吃->空场景
×　fo1[坚果,吃,空]
×　内类比f1后: fo3[坚果有,吃,坚果无]
示图共分三部分改动:
1. 内类比大小:
2. 内类比有无:
3. "外类比" 和 "内中有外"
TODO代码改动:
1. 内类比"有无大小"的时序,取消指向mvNode; T
2. "内中有外"时,做outsideCreater时,要判断下是 "理性fo" 还是 "感性"fo (即是否指向mvNode); T
3. 内类比,支持多个值的变化; //目前无特征网络,可能出现即大,又小的情况;所以先放到迭代计划中; 先不做
4. 内类比,支持多个值的有无; T
5. AlgModel中,为0的属性,不被转到Dic中; T

概念: 理性时序:
由内类比构建的"有无大小"时序,称为理性时序,且不指向mvNode;

注: 变无的微信息要构建成"概念节点",所以坚果皮会被构建为独立的概念;






TODOLIST

TODO (优先) DESC STATUS
1 做意识流双序列;
2 关于精度的范围匹配问题,应该在祖母层后天完成;但不影响小鸟核心智能演示,所以可暂使用一些算法层实现 (如方向精度为10/小鸟仅能飞上下左右四方向);
TODO >> DESC STATUS
1 标识映射,(解析和反解析的map,可以采用36进制的字符串;)
2 性能优化_设计节点收集器,总操作完成后,由丘脑统一持久化;
4 代码结构优化_将不应期,使用字典实现;
5 代码中检查alg采用的标识,(建议采用自增唯一标识符);
6 cLess,cGreater,cHav,cNone有可能后天导致溢出碰撞,所以,要采用别的设计来避免此问题;
8 考虑ThinkOut在fo或mv之上的层,才会回归到dataIn来总循环,而更下层,则仅在适应局部层数间循环;
9 将AlgNode.refPorts改为单文件方式;
10 将except_ps不应期,中的node改为port;
11 将energy集成到TOAlgScheme行为化评价器中;
12 将XGRedis和XGWedis的存储空间整合,以节约内存;
13 用pointer.isMem替代saveDB (因为saveDB参数难以持续追踪) T
14 IndexRefrence和AINetUtil.insertPointer微信息部分有重复,重构之; 仅mv和abcMv在调用,可尝试删掉IndexRefresh并替换到NetUtils方式;
15 皮层算法,放到AIFoundation之外; T
BUG DESC STATUS
1 当祖母嵌套时,content_ps的内容就变了,此时因此content_ps而产生的md5的header也匹配不上了;
2 setNodePointerToDirectionReference()在二分查pointerArr,却用portArr存; 
//TIME:20190226
/////1. TODOTOMORROW:做意识流双序列;

//1. 首先是要解决强度序列之外的再加时间序列的问题; (其实不是时间序列,仅是一个激活节点的内存缓存)
//2. 使用XGRedis来做10分钟自动销毁;
//3. 事务需求:
//4. 比如我们需要搜索硬盘节点中,哪个port指向的节点在redis中;
//5. 再比如: 我们需要搜索到哪个redis中的node具有某微信息; (性能优化,建内存索引)