虽然是搞这个领域的，但仍然觉得说不太明白，不太好给别人科普
举个最简单例子，我们假定神经元就是两输入一个输出a*x1+b*x2=y,输入是两个x，输出是一个y
现在我要学习一下，有100组x1,x2和y，迭代99次，得出了a和b，别想的那么绝对，这种一元二次方程无解之类的问题。那么好，我们假定最终结果是a=1.1，b=2.2，这两个数字就是学习之后的超参数，反正我是学完了，超参数数量就是两个，只要我日后不再继续学习，超参数的值和数量都不变了，这就是个神经网络。
一般模型呢，也无非就是加减乘除卷积池化变点花花样，这些也不重要，重要的是轻量级的模型设计好了，层数就这么多，每层的参数（学好了就是超参）就固定了，参数越多，系统约复杂，对输入的感知约模糊（嗯，不可名状）。另外还有迭代的次数，迭代的越多，见识就越广；然后模型做的越来越大。貌似一切都在向着好的方向发展，机器可以超越人类
但是，大模型现在也快进了死胡同，单纯基于数据驱动的模型，尽管可以在超参数数量和模型形状上进行优化学习，但现阶段有这几点，一是过渡依赖数据，按照chatGPT的速度，2026年的时候地球的知识就被它学完了。第二可解释性差，几乎不会逻辑推理，可以搜一下CheXzero；第三是灾难性遗忘，没错，就是大模型学成了老年痴呆！确切来说是喜新厌旧，新任务学完了，旧的就忘掉了
【 在 chunhui 的大作中提到: 】
: 哪位给科普一下。多谢。这些参数是具体指什么？参数是由什么划分出来的，根据什么来划分这些参数？
--
FROM 1.202.76.*