如果函数都能被拟合，指针呢？

1.使用模型拟合简单的函数

设想有一个函数,它没有副作用
例如

add(a:float,b:float)->float{
return a+b;
}

那么我们理论上可以训练一个模型:它的输入是一个二维向量,它的输出则应当是v[0]+v[1]
于是我们理应可以将任何num = add(f1,f2),替换为num = addModel.predict(vec({f1,f2}));
而这个model甚至只需要一个神经元.
但函数参数很少只是值类型.

对于内存中的部分比特,它们的含义不仅取决于它们自身,还于其它内存的状态相关.
对于

numptr:int* = &num

如果单独去看numptr的值,那么这只是一串随机数.于是,我们可以说,数字在计算机内部的含义是嵌套的,而计算机最强大的能力之一就是解引用.

现在我们有一个数组,它的第一个元素为n,以及一个函数定义:

vec={n,5,3,7,9,6,3};
dref(num){
  return vec[num];
}

那么当我们写下dref(vec[0])时,就形成了一个有趣的嵌套结构

以此类推

这就是在vec内存空间中,对vec[0]的解引用

于是,我们自然地想到:
如果我们让模型去拟合dref(vec[0])呢?

我们假设 vec 的每一项都在 [0-10]

设计这样一个模型,它的输入是
vec.foreach(i=>0.1*1)
看的出来,这是一个七维向量,

它的期望输出是
vec[int(vec[0]*10)]
不过数组越界很烦人,我们不考虑数组越界问题

有了明确的输入输出,让我们编写模型去完成解引用操作,似乎完全可以.

而如果模型足够'直接',那么它可以进化出这种权重:

第一层分为左右两部分,分别负责编码指针信息和 传递原数据

该部分有7个神经元,使用线性激活函数,
本层的权重为:

{
  in[0],
  in[0]-0.1,
  in[0]-0.2,
  in[0]-0.3,
  .....
  in[0]-0.6
},

激活函数使用
1/1+(x^2)
将其转化为onehot编码

依旧是七个神经元,使用线性激活函数,原样输出vec的每一项.

在第二层,权重依次为

{
  l1[0]+l1[7]-1,
  l1[1]+l1[8]-1,
  l1[2]+l1[9]-1,
  ...,
  l1[6]+l1[13]-1
}

激活函数使用

{
  x|x>0,
  0|x<0
}

{
  l2[0]+l2[1]..+l2[6]
}

激活函数是x;
第三层这单个神经元的输出值,便是解引用的结果

对于这些数学公式是否正确,我不敢保证,这其实很理想化.
但是个人认为只要模型能够将0-1的数值转化为onehot,那么它就能完成解引用指针的工作.
只是不清楚反向传播能否让模型自发形成这种权重.