喜歡讀書是好事兒，但是也讀得那麼認真，不停問問題，就有點過份了。
尤其是《甦廚》這種古代知識滿滿的，很多東西都在麥小苗認知範圍以外，逮到了原創作者就在身邊，好奇寶寶的問題簡直就是一直不斷。
比如第一章里周至寫了眉山城門口的小橋叫做“通津橋”，說明這個橋過去不遠就是碼頭，大家可以在那里坐船去往上下游城市。然後麥小苗就問其余地方如文廟，學署，書院，文昌宮的區別；又比如為什麼叫附廓縣，為什麼附廓縣就會存在州府縣府兩個衙門；火神廟是祭祀誰的，玉清觀是祭祀誰的，東岳廟是祭祀誰的等等……
實話實說，就連最鐵的書友也問不到這麼細致的地方來，或者說許多對于國人來講本身就屬于常識，不過對于麥小苗這種中國歷史文化“人菜癮大”的讀者來說，那就啥都想問了。
關鍵是有些問題還十分復雜，比如要講玉清觀就要講到道教三清中的玉、上、太三清，然後講玉清元始天尊在道教中的地位和宋代對道教的推崇，以及道教在蜀中的影響力等等，國學是可以從一個點扯出一張網的學問，因此“玉清觀是祭祀誰的”這個問題，本身就是一個大題目。
周至本來是要改一改自己拉下的功課的，現在有了數字圖書館搜索引擎後，師祖祖的論文當中留下的許多讓周至疑惑，或者周至自己所欠缺的知識點，就可以通過搜索相關內容解惑補齊鞏固，結果遇到一個需要科普的小朋友，這就專心不起來了。
“小苗要不這樣。”周至想了想︰“帖子本身就有留言功能，你將問題留在章節里，等書友們來回答好不好？”
“可以。”麥小苗倒是從善如流，然後又問出一個問題︰“可是我現在是看的存稿，還沒有發布啊？”
“啊這……”周至想了想，打開文學論壇女生言情板塊︰“這幾本熱度都挺高的，要不你看這種吧，好多女生都喜歡看。”
“不看！”
“為什麼？”
“看她們的書哭得稀里嘩啦的，衛生紙不夠用！”
“呃……”周至猶豫了一下，一咬牙︰“我還有一本，暫時還沒準備發出去，寫的是一個大學生回到家鄉建設農村的，你看不看？”
“是聯和鄉這樣的農村嗎？你還真會就地取材。”
“呃……倒也不是，背景是我的老家，蠻州市夾川縣。”
“你家鄉？”
“對！”
“好啊好啊，你給我看看！”
《山溝》這本書就好多了，麥小苗終于不再發問，還不時給書里的內容逗得咯咯直笑，看來頗為喜歡其中的內容。
兩人就這樣度過了一個晚上，偶爾喝點果干煮米酒，吃點堅果，然後一人，一人看論文，要不是周至催麥小苗去刷牙洗臉，這妞還不想休息。
周至不由得搖頭，網絡文學後勁大啊……
但是第二天報應就來了，四葉草集團動作很快第一批資源已經到位組網，包括算力與存儲空間。
于是情況就來了一個顛倒，麥小苗在部署她帶回來的算法程序的時候，周至就變成了昨晚麥小苗听周至科普時候的那個樣子。
對于四葉草集團接包的VC程序開發，周至也是管理了的，甚至還參與了一些編寫方案的討論，對于編程，甚至編寫工具類程序，他也並不是完全的門外漢，這是周至穿越到這一世以來頗為得意的一點，就是自己上一世的專業不但沒有荒廢，反而更上了層樓。
但是他上的這層樓和麥小苗腳下起步的台階相比，相差得也有些遠，這不是變成能力上的限制，而是數學理論上的鴻溝。
“設神經元的輸入向量和參數向量分別為集合A和集合B，這兩個集合又可被稱為權重，它們之間存在這樣一個非線性函數關系，這樣的函數關系是輸入向量與參數向量作用之後，得到了一個輸出向量C，這個C被我們稱為激活值，而這個非線性函數則被稱為激活函數。”麥小苗倒是講得十分認真︰“這里的A（0）=1是個偏置單元，與線性回歸中的零次項一致；”
“激活函數可以用Logistic/Sigmoid函數、tanh函數、ReLU函數等，用到激活函數的原因是如果不用的話，那麼線性成分的疊加還是線性成分，整個神經網絡依然是線性的，無法擬合非線性假設。”
“我們給每個神經元都套上非線性函數，就能夠讓網絡真正的擬活，注意是擬活而不是激活，也就是說，現在我們構造的這個激活函數，其實是通過給線性單元套上非線性函數，用來擬合非常復雜的非線性運算的情況，也就是神經化。”
“于是機器就能夠通過深度學習，識別出‘莫听穿林打葉聲，何妨吟嘯且徐行’；‘大明湖，明湖大，明湖上面有荷花，荷花上面有蛤蟆，一戳一蹦 ’，孰優孰劣了。”周至也學得十分認真。
“哈哈哈哈……”麥小苗不由得大笑了起來︰“後面這首是誰寫的？太有意思了……”
“一個軍閥，山東王張宗昌，魯迅先生曾經給他取過一個外號，叫‘三不知將軍’，即不知道自己有多少兵，不知道自己有多少錢，不知道自己有多少姨太太。”
“哈哈哈……”麥小苗又被逗得忍不住笑了，按著自己的小肚子艱難地想憋笑︰“要讓機器達到這個水平還有點難，不過幫助我們的圖形識別系統尋找匹配的邊緣，應該比現在的程序效率……要高一些吧……”
“小苗你不用跟我打埋伏。”周至說道︰“能提高多少效率其實我並沒有抱多大的希望，就算資源多浪費一倍，效率減緩一倍，我們都可以接受，只要新的算法能夠成功就行，因為這是思路的勝利，我們先解決可行不可行的問題，再解決效率提升的問題。”
麥小苗笑了，說回了模型上來︰“我們接受輸入的第一層為輸入層，提供輸出的最後一層為輸出層，中間所有的層為隱藏層。”
“隱藏層越多、隱藏層神經元越多，神經網絡就能擬合更復雜的情況，但是也更難訓練。”