可以说，深度神经网络的训练过程，就类似于随机初始化了一个函数，给你一个x，算出来y`。

通过反复告诉它你算的y`跟实际上的y差了多少，从而让它能够尽量接近那个未知的函数。

所以理论上，只要数据样本足够，就总是能够获得最后想要的结果。

当然了，这是个非常简单情况的例子，实际上在拟合的方程，是人类目前难以实际分析和表达的复杂结构。

不过有一点是肯定的，那就是孟繁岐的残差思想，是通过提高了求解的精度来获得的巨额提升。

这是数值分析当中的概念了，如果把整个网络理解为一种非线性常微分方程，欧拉前向就是一种简单的单步显示迭代办法。

说人话就是，通过近似的迭代模拟，省略了复杂的求解过程。

让计算机直接算百层网络的情况，它算不明白，所以用反复的简单操作来代替。

简单的格式计算求解的准确度当然会差一些，复杂的格式，计算求解精确度会高很多，势必会使得模型的性能更好。

这是个基于理论得出的推断。

因此西尼那次国际计算机视觉大会之后，所有人都认为，孟繁岐不仅做出了突破性的成果，并且还给出了一个可以指引网络变得更好的理论方向。

真是活菩萨啊！

乌泱泱一大批人前赴后继，义无反顾地往这个理论大坑里跳。

然而事情怎么可能会那么简单呢？复杂的格式需要成倍的计算量，这在深度神经网络这个实际上是离散表达的格式中，并不容易转化。

无数的研究者跳进去之后，才发现都说挖坑挖坑，原来这还真是个大坑，费了半天劲勉强做出来的结果，根本和孟繁岐的残差网络性能差不多，有时候甚至更差！

一时间哀嚎遍野。

“你们只管往理论的大坑里面跳，我可不管埋啊！”孟繁岐一边幸灾乐祸一边想着。

他当时在会上发布残差网络的同时着重提了这个理论解释，确实也有三分等着看人跳进坑的恶趣味在里面。

理论特别扎实明白的做法经常不起作用，而像自己的重参数化这样反直觉的办法反而效果绝佳，人工智能这个坑爹领域的事情，谁又能说得清呢？

理论方面的事情，2023年了都还差得远呢，现在哪里搞得明白。

不过，孟繁岐在这方面看得明白，远在燕京的韩辞却是黯然神伤。

当初西尼会场之上，一个实践一个理论，两边的成果都备受瞩目，也算是一段佳话。

可短短两三个月过去，实践派的孟繁岐新的成果层出不穷，频频突破人类水准，阿尔法狗甚至直接约战世界冠军。

而她目前唯一的理论成就，却被证明只能在玩具级的数据上得出符合的结论，稍有一些其他的变量，就不吻合。

其中的委屈，又怎么说得清！