尽管这份架构依旧是从ARM公司研究的ARM架构上研究出来的，但它能为未来的独立研发做一份雄厚的铺垫。
翻阅着电脑上的资料，徐川认真的研究和剖析着。
一般来说，神经网络架构主要利用各种各样、各式各样的数学模型从不同的角度对生物神经系统进行不同层次的描述和模拟。
代表性的网络模型有BP网络、RBF网络、Hopfield网络、自组织特征映射网络等等。
相对比传统的CPU架构和GPU架构来说，他入手这种架构反而更快一些。
毕竟数学模型和建模，以及背后的数学公式，本就是他的研究范畴之一。
比如RBF神经网络架构（径向基函数网络架构）就是是以函数逼近理论为基础而构造的一类前向网络。
这类网络的学习等价于在多维空间中寻找训练数据的最佳拟合平面，其径向基函数网络的每个隐层神经元激活函数都构成了拟合平面的一个基函数。
用数学理论来解释，其实原理很简单。
即，在选定的一类函数中寻找某个函数g，使它是已知函数在一定意义下的近似表示，并求出用g近似表示而产生的误差。”
这是高中数学的函数基础之一。
内容未完，下一页继续阅读