早在note3时,已有关于后天思维方式(三维架构)的想法,而关于思维方式的思考也未曾断过;
宏微,看似只有一层,其实没有明确界线,宏微是相对的;
并且相对宏微对构建网络,及后天思维有致关重要的作用;
那么:
相对宏微如何影响网络构建呢?
如何融入cmv模型?
如何被前额叶使用呢?
如何与mv融合呢?
如何与net融合呢?
如何形成后天思维方式呢?
思维方式完成后,对he4o进行总结与训练;
note13主要面对这些问题而展开;
注:所有的难题都在"理所当然"中;(所以当以为系统完善时,一定要付诸实践,用现实打破错觉)
CreateTime 2018.06.06
思维方式的重要性 >>
1. 思维方式是否只是cmv模型,在absNode间的宏观体现
2. 1种答:如果是则AGI智能体现远超人类,如果否则AGI与人类在同一量级
3. 2种答:在数据因果复杂度上,可同时分析的信息数是有限的;这个平衡点,制约着智能值;
宏微界线 >>
1. 宏微的界线没有那么明确，每个节点的微信息组,都是微。
2. 宏微是相对的,(索引与node相对)
3. 宏微是相对的,(类比单位为微，抽象区域为宏。)
组与分 >>
1. 解决集合(组)的问题，而不仅是分。(foOrders为组，absNode为分)
开发 >>
1. shortCache里加上absNode。
2. shortCache里加上思维log (thinkFeed)。
红线:宏信息中的微信息组,也作为微信息;以指针形式存在absIndex中,
再由,absReference排序其引用强度;
CreateTime 2018.06.07
示图 >>
黑: foOrders 棕: cmv 灰: reference 绿: absNode
问题 >>
1
充电mv和饥饿状态mv是两个
2
饿了想吃东西,还是想变饱?
3
饿状态即urgentValue
理论 >>
1
一mv两面 (阴阳转化)
2
因果 (状态是因,变化是果)
归纳分类 >>
痛
饿
欲
urgentValue
痛感越高越迫切
饥饿感越高越迫切
越少越迫切
targetType
消除痛感
消除饥饿感
变多
状态
疼痛值
饥饿值
变化
舒服或平静中和痛感
充电中和饥饿感
CreateTime 2018.06.11
前言 >>
1. 集合note12所实践的四序列,思考一下网络结构上有没有可优化简化的地方:
注: i=index is=indexs abs=abstract fon=frontOrderNode
1. foNode: 多对一 多微信息 对 cmvModel
2. cmvModel: 一对一 foNode 对 cmvNode
3. cmvNode: 一对二 cmvModel 对 targetType_p和urgentValue_p
CreateTime 2018.06.12
行为学习 >>
1. 反射输出
2. 尝试输出
3. 输出log入网
4. 运用output网
理论步骤 >>
1
outputAlgs算法层
定义了输出算法
2
反射输出
imv与输出的反射回路
3
omv与反射输出入网
4
尝试输出
决策,上升到后天输出阶段
5
输出入网
上升到后天输出的学习阶段
6
运用output网输出
CreateTime 2018.06.12
问题 >>
1. thinkFeed什么时候被mv带给foNode?
2. 本文思考找到:后天思维的哪部分是规则化,代码化的,流程化的;从而找到思维方式的代码实现方式;
3. 思考是否组分(相对宏微)是形成后天思维的先决条件,或唯一条件;
正文 >>
1
thinkFeed只是后天思维的第一步;
2
思维解决问题也是构建网络,如 练题成考神,自省使抽象加抽或入cmvModel
步骤 >>
1
input
2
noMV
3
shortCache
4
assData
5
thinkFeed
问题 >>
1
thinkFeed应该存哪些指针? 如何分辨抽象知识的整体性?
答:在thinking中新参与类比的或新构建的指针,抽象知识的整体性在网络中;
2
thinkFeed不应该是序列;而是网络的吗?如何存储使用?
答:元素是指针,网络还是在net中;
3
thinkFeed确定也以cmvModel的方式传输给网络吗?为什么?
答:是,因为thinkFeed所指向的absIndex也是微信息,需要与分信息混合传入,以形成自由的组分结构;
4
第3如果是,怎么传?与shortCache的区别是什么?
答:考虑：1、 shortCache（4-7不区分input和ass） 2、thinkFeed（快速优先检索区）
5
感觉缺了些什么,例如:shortCache如果不区分input和ass,那么序列呢?如何排先后;
答: shortCache的上升是不需要回头的,其存储的对象向来就是指针,指针指向什么取决于网络;这也符合思维源于网络的特性 (但有个矛盾点是目前的shortCache其实存的是微信息,并非宏信息)
CreateTime 2018.06.22
简介 >>
宏微是相对的,导致原先明确的索引层不再明确;索引必须全面铺开到网络中;
而shortCache的相对宏微,也必然要求shortCache永远只存宏信息;
正文 >>
1. 索引改版
数据即索引不变,凡网络节点的数据皆索引;无明确的索引层,每层都是其抽象层的索引;
2. shortCache改版
关于识别阶段与思维阶段的shortCache存宏微信息矛盾;将识别阶段也生成宏节点,故shortCache只存宏信息;
示图 >>
注: 数据索引部分,从分向组方向升级,而升级的依据是网络节点
注: 网络节点部分,从组向分方向抽象,而抽象的依据是数据规律
注: 所有的模糊组信息,都由shortCache提供;
代码实践 >>
1
只需要把shortCache中微信息的装箱操作,再装一步,装到node中;
2
索引可还用目前这种,分界还算是特别分明的
CreateTime 2018.06.25
shortCache >>
1
shortCache的所有元素都是微指针
2
shortCache的长度是否决定智力
3
shortCache决定了cmvModel前因序列的长度,及整个网络的构建过程、结果和复杂度。
shortCache存哪些微信息 >>
1
algsArr_Index; 输入微信息
2
absIndex; 抽象微信息
注
所有宏信息的检索,也是构建抽象的过程,或者指向已存在抽象的过程;所以将abs后的absIndex加到shortCache是必然的,以形成螺旋组分;
CreateTime 2018.06.26
简介 >>
1. he4o目前的情况,完成相对宏微后,能够实现什么样的智能效果,如何训练及呈现?
2. 本节针对,he4o的系统现状,作些训练及智能体现方面的思考;
3. 数据替代运算，抽象数据结构。
正文 >>
1. 设想场景,进行智能训练,如充电;
进度 >>
模块
完成度(五星)
1
类比
*****
2
宏微
*****
3
相对
*****
4
规律
*****
5
抽象
*****
6
网络
*****
7
mv
***
8
循环
*
9
output
*
CreateTime 2018.06.27
前言 >>
1. he4o其它部分,已经基本ok;
2. 本节主要针对outputg与output入网的代码实践,而展开
3. target的解决,依赖于外界;
4. AI必须知道自己能够使用哪些手段与现实交互,例如:通过字符串调用outputStr算法 通过显示器显示图片
步骤 >>
1
因decision时,没有明确解决方式,导致的挫折感,急切感omv
2
omv触发反射输出 表情符
3
decision锁定唯一信号时,尝试输出并将输出入网,等待反馈
注
所有输出前,都要入网;以得到反馈与加强
output入网 >>
1. 强化只是 跑cmv流程时 导致的自然强化;不需要刻意设计强化反馈流程;
2.
问题 >>
1
Q:尝试解释,嘴上笑嘻嘻,心里mmp
A:
2
Q:决策只是思维对target找到了释放方式?
A:对
3
Q:释放(output)是否需要log到网中;
A:不仅需要,并且也以类似cmv基本模型的方式进行相对宏微的抽象构建网络;
4
Q:基础的反射输出
A:一切神化的开始
5
Q:复杂的输出行为
A:对输出行为的相对宏微;
6
Q:关于decision与output哪个入网?
A:当时怎么想的不重要,重要的是怎么做的
7
Q:除了输入时,inputIndex,是否也有outputIndex呢?哪些能输入,哪些能输出?如何输出?
A:只有一套Index,输出见收下：必然正确部分
8
Q:人类为什么1岁才学会说话呢?
A:
output入cmvModel必然正确 >>
1. 当时调用了某个输出算法
2. 传了适合输出的某信息
3. 反射,教会了ai使用某算法;
思考结果 >>
1. output存在cmvModel的时序列里
2. inputAlgs时是索引微信息,
3. 而outputAlgs时,其索引微信息存的是,反射算法标识 和 输出的信息
明日提示 >>
title
desc
status
1
output
omv应激反应输出。
CreateTime 2018.06.28
简介 >>
针对系统的不断完善和变化,本节更新三层循环的代码部分;
数据替代运算，抽象数据结构。
mv >>
imv
cmv
描述
状态
变化
功能
产生需求
构建网络
形态
静
动
变化
静生动
动生静
思维
激活思维
平复思维
思考 >>
1
假如,因富足保食,从未饿过,那么还第一次饿的时候,知道要吃东西吗?
2
思考:imv状态值,输入如何入网?
3
明日提示:写cmvNode的抽象
问题 >>
1
写imvCache当前imv状态序列
2
思考:是否可将imvCache与shortCache合为一起?
答:目前不需要 imvCache可以合并到shortCache
3
思考:多个同类型imv,是否需要类比,absImv,然后再只存absImv_p到imvCache?
答:需要,是absCmv存cmvCache;
4
imv是否先入网,指针入imvCache序列?
答:imv只是mv的一个状态,另:将imvCache改为cmvCache;
5
是否将imv,cmv,omv进入整合,放到cmv基本模型中?
答:对,确切说,是将imv和omv整合到cmv中;
注:
所有cmv只与cacheImv中作匹配
注:
所有cmv的匹配,仅对比target和urgent
仨mv合并 >>
1
cmv基本模型需要改进
2
一般感觉(好奇心)作为netRoot时的工作方式
3
假如,在数据网络中,mv与普通节点没有区别,会怎么样?
必然正确的几个点 >>
1. cmv模型中的时序
2. imv,cmv,omv必然会入网 (imv未必)
3. imv,cmv,omv必然会抽象 (imv可能以抽象去重)
4. imv的target必然与cmv产生对应
思考结果 >>
1. 只有一个mv,没有imv和omv;(omv只是为了反射平复target),
2. mv模型为: from a->b target b->c
3. 将absMV_p存到mvCache
4. mvCache的模糊有序,如1.5和1.7同值 注:随着联想等思维活动,实时更新排序
CreateTime 2018.07.02
步骤 >>
1. imv的from和to直接传到thinkingController里去
2. thinkingController将fromto转成tMv入网并放到mvCache
3. 再次输入imv的fromto时,与mvCache匹配(相顺或相逆);
4. 相顺时(from-to与target一致),转成changeMV,并存cmv基本模型到网络
5. 相逆时(from-to与target相反),将tMV入网,并合并到mvCache(同需求合并,以最近为主)
注: tMv即urgent和target的mv状态;
注: imv即from和to的mv状态;
注: cmv即在urgent上产生change的mv状态;
absCmvNode >>
1
问题:什么时候类比并生成delta+-的absCmvNode?
>> 与类比其它数据一致;同类数据输入类比并抽象;但没有+和-的混处理;
2
问题:如何根据一个正值,或负值,来快速的从absIndex中,找到索引地址;
>> 仍以联想为核心,其它以时序等构建关联;(参考问题6,需实现)
3
首次经历充电解决hunger问题,那么he4o明确知道delta+和delta-的关系,如何代码表达这种同异向问题?
>> 不表达,这种关系是先天的,只需要根据问题6,解决快速查索引即可;
4
还是首次充电,但he4o不明确知道充电和没电的关系,怎么解决?
>> 在cmv基本模型,仅有充电与delta+ 和 没电与delta-的时序关系;
5
解决delta+和delta-的对应关系代码表示;(添加到思维控制器同向,或异向处)
>> 问题有变,见问题6
6
最大的问题是,delta+和delta-到底是先天即知,还是后天关联;
>> 应该是先天,那么快速的从某个delta变化,来快速从index找到对应信息,成了首要代码实现;
明日计划 >>
status
1. 把fromto改成value和deltaFrom(不过当前不太需要)
T
2. 往checkMV中,加上change的部分,并改cmvNode;
T(已加delta并改了cmvNode)
CreateTime 2018.07.03
时序迭代 >>
同理心，可替代其它人或物的mindValue产生cmvModel。
示例:鸠摩智抓段誉，但乔峰同在时不抓。背后逻辑源于抽象迁移网络。(武力值,六脉神剑等常识和类比)
常识边界:先建立了鸠摩智抓段誉的时序，后才知道原因。但不影响逻辑思考
n13p13 下版本_时序列和cmv基本模型的改版 CreateTime 2018.07.06
怀疑和猜想 >>
1. 猜想:情景记忆是独立的小网络的可能性。
2. 怀疑:cmv基本模型是否只是时序列;所有cmvNode也应加入到时序列中;
3. 睡眠时:GC工作;
4. 抽象时,对mv和其它微信息,采取完全不同的抽象方式;前者采用值交集,后者采用信息交集
5. mv输入时,只是状态值;而不是delta和to;
n13p14 cmv改版_deltaIndex(+-) CreateTime 2018.07.06
前言 >>
标题
mv的索引,与微信息的索引是存在不同的
区别
微信息是为了快速找到相对应的信息与节点,而mv则是快速找到与其相关的+-等情况;
目标
本节尝试重写mv的索引,并完美与原先代码不冲突的融合;
//名词说明:
> 1. mvIndex : 与Index索引序列同级 ,是mv相关的索引序列 (也是 `值范围 `索引 )
> 2. deltaIndex : 目前不想有太大改动 ,所以先用deltaIndex来在原先index上 ,再索引一层delta变化 ;
思考前 >>
1. absCmvIndex是+-，以delta抽象，可尝试模糊下。用（区间包含）的规律，例如:
> a. 具象方向：+10也是+9及以下。
> b. 抽象方向：+1包含+1以上所有。
思考方案1 >>
介绍
先实现+-的需求,与当前的index和reference配合使用,随后版本迭代,再简化设计
1
写个deltaIndex来解决值索引问题;
2
每次存index时,判断下是mv的话,自动加到deltaIndex序列中 (从+到-有序)
疑问
mv的delta匹配虽然重要,但附加数据的综合思考也重要;
例如
在公司想家里的厨房,是解决不了饥饿问题的;这种缩小范围的能力,非常重要
//本节作废:
> 1 ，从情景出发 ，找到解决mv的办法 。
> 2 ，即从网络解决一切问题 ，而不是从索引直接找deltaMv 。
> 3 ，mv只为起点和终点负责 ，不对过程负责 。//特别注意:
> 1. 只有思维控制器自动化找delta +-时 ，才使用它 。其它的还是使用网络和联想 。
明日计划 >>
status
1. 在thinking中,类比(同向替换,异向抵消)时,生成absCmvNode
2. 实现快速根据delta+或-,从index找到相对应的pointer;
废弃
3. 根据delta+或-的经历,快速实现absDeltaIndex的最小单位+-1构建;
废弃
4. 写mindValueRule,配合mvIndex工作;
CreateTime 2018.07.09
前言 >>
类比信息,不仅类比是否相同,还要类比位置;非同位规律->组抽象;同位规律->相等抽象;(相等,同继承,继承)
1. 同信息组 2. 同位占位 3. 同义不同信息同义
步骤 >>
1. 从饥饿与吃类? 和 吃奶?中抽象到组抽象:吃;
2. 从 吃 的输出,到解决饥饿问题,网络变为:吃 是请求食物
3. 再从吃奶 和 冲奶 中抽象到组抽象:奶;
4. 从 奶 的输出,到解决饥饿问题,网络变为:奶 是请求食物
5. 此时,吃 和 奶 是同义规律
6. 再从 吃面 和 吃奶 中抽象到占位规律:吃{x}
7. 此时,面 和 奶 为同占位:食物;
组规律
一
简介
指时序列中,类比到sames;并将相同微信息进行抽象的方式
组抽象
同类信息发现规律,为组抽象
例如
abc,abd抽象即:ab
占位规律 >>
是
简介
Ab,Ac,Ad那么bcd出现在同占位的规律，这仨应被抽象为A{x};
不同信息,发现"同占位"规律后,为"是"抽象;
例如
吃东西。吃苹果,吃桃;那么东西是苹果和桃的占位;
在外类比迭代,支持占位抽象 >>
比如: fo1[吃,苹果] 和 fo2[吃,坚果] 可以抽象为fo3[吃,食物]
另一个思路: 能否对fo[吃的],进行概念化,并得到fo3[吃,吃的]
注: 这一点,在AGI自然语言的认知上,非常重要,比如"老虎"和"狮子"都会吃人,抽象为兽,但可能并无共同特征;
同义规律 >>
同
简介
即意义相同,但微信息不同;同义不同信息的规律抽象; 苹果,果的
?
非同位->组抽象;同位规律->相等抽象;(相等,同继承,继承)
CreateTime 2018.07.09
废弃deltaIndex >>
1
从网络出发,找出解决hunger问题的最强引用
如:饿了,从抽象层知道,应该找吃的
2
缩小范围,收集当前信息,并以此为索引,找食物
如:从具象层,分析当前情况下(所属位置如:家)的食物在哪里找到。
疑问 >>
1
到底该不该有absMVNode?
如果有,是否仅仅是代码写死的delta+-1;
如果没有,那么时序列的抽象如何整合到cmv基本模型中?
2
为了与时序列保持,网络结构上的融洽,mv是不是也应当有最简单的抽象?如+-1
同意
3
+-索引,是不是不需要原先index和reference的设计那么复杂?
对,因仅有一个+和-,所以无需引用序列和索引序列,仅需存储一个序列,将所有类型的mv的+和-的节点地址,以有序的方式存入;
4
疑问2,是否可以(在时序列抽象后的层,应该脱离cmvNode)?
不可以,如下图:
明日计划 >>
status
1. 写directionReference(只有最基本的+-抽象)
T
2. 写CmvIndex
T
3. 写首次输入cmv时,即引用directionReference
T
4. 联想以往解决时,都发生了什么,尝试复现;(决策与解决需求)
T
5. 联想到同样经历的mv时,尝试抽象出absCMVNode;(类比cmv与抽象)
T
6. 去掉所有的absNode和absCmvNode;而只抽象cmv基本模型来替代;
T (同时抽象前后节点)
CreateTime 2018.07.13
简介 >>
从mv循环到(mv顺逆向)的处理,单轮中层循环完成;
本节要解决的是多轮循环;而其源动力是cmv.urgentTo;
正文 >>
1. 在thinkingControl中定义energy字段,并动态更新;
2. 决策中,触发一些cmvCache在排序上的变化;(如饿了,去超市买菜还是去饭店的问题)见n14p2
3. cmvCache中,未必存的绝对是cmv;很多demand都是复合的(如我6点早餐也许只是习惯,未必是真饿了)
4. cmvCache中,需要一个自定义的model,并且为该序列需要的功能定制;
明日计划 >>
status
1. 将urgentTo转换成能量值;
T
2. 推进多轮循环thinking_Loop方法;
见n14p2
3. 写cmvCacheModel替代麻烦且功能支撑不全面的array[@urgentTo,@delta]
T
CreateTime 2018.07.16
简介 >>
名词. 先天思维=先思; 后天思维=后思
1. 先思抽象与后思抽象是不同的。先思时序与后思逻辑也是不同的。
2. 文字或语言等思维方式让动物获得更加复杂的后天抽象。
3. 属性是，和抽象是，可以是同一种表示方式。
语言: 因为一切决策是为了行为化,而语言提供了可以丰富的行为化出口;即语言使人类在输出条数上异常丰富,它超过手脚表情之和;
问题 >>
Q1:
先后思抽象与知识表示的不同与接洽处理。
Q2:
A车是B的，这种属性值关系如何呈现在目前的抽象网络中。
Q3:
代码与思维:很多不经意间的思维,看似是写死的,但却可以因刻意而改变;
A3:
这是看似思维凌驾于代码之上的假象,思维仅仅只是通过网络定向检索等操作,作了些代码作不到的事
1. 这颗的名字是大米 今天吃的饭是面 等等"是"抽象;(占位规律)
CreateTime 2018.07.17
前言 >>
本节重点思考在thinkingControl中决策与输出的实践与重构;
注:在he4o的初版中,仅支持最简单的output,小脑网络型输出在今后版本中完善;
正文 >>
1
当联想到解决经验时,检查以下两点:
a. 检查order_p是否是"输出";
b. 检查order_p是否可以"被输出";
2
如果以上不成立:
a. 生成"心急mv",并通过反射输出;
b. 将反射输出,记录log到foOrders;
3
输出也要输入,(输出前都是想法,输出后才是现实)
a. 那么,我们需要区分"输出与输入"吗?
b. 那么,思维内存只有输入与思维流;
c. 假如没有输出记忆,那么如何知道是某行为导致了某cmv呢?
4
output不转为input。
1，简单定义一个outputModel。
2，输出算法outputAlgs
3，函数指针，
4，输出参数。（内容）
//[NSObject invocationMethodName:@"outText:" className:@"Output" withObjects:@[@"😭"]];
步骤 >>
1. "心急"的哭反射输出;
2. "满足"的笑反射输出;
3. 类比到"字符串类型"输出;
从反射输出到明确输出 & outputReference 示图 >>
注: 对于输出的参数类型,如笑,哭;默认可抽象出类型索引;
注: 如图中的笑抽象到String
明日计划 >>
status
1. 写outputIndex和outputReference
T
2. 重构OutKVPointer指针 dataTo算法名
T
3. bug(indexReference只按指针排序,未按引用强度;)
T
4. bug(directionReference按指针去重,却按引用强度插入,导致去重经常失效)
T
5. 写可输出微信息的判断,和输出微信息;
T
6. 写absMvNode (基于cmv基本模型写...)
T
7. 写commitOutputLog:入网;
T
8. AINetAbsIndex中,不能只存pointerIds;因为abs的分区标识是会变化的
9. >>此处改为抽象整个cmv基本模型,或简化成absNode对absMVNode 优先开发
T
10. 主动取当前饥饿状态;或:在需求形成时,用状态主动判断有效性;
11. 继续写energy,让思维网络多次循环跑起来;
T
12. >>> HavDemand优先联想到应该是前因序列的强度排序;而非cmvNode
13. havDemand中,扩展对out_p的支持;
T
CreateTime 2018.07.23
外层循环_output >>
可输出判断:
不能只用dataTo和algsType判断,还应以网络后天抽象节点判断来判断;
不可输出数组:
out是不能以数组处理foNode.orders_p的,下版本改)
思维控制器 >>
1. 意识流
"思维流thinkFeedCache" 可以考虑在下一版再开发;
2. 扩展规律
按着n13p15的方式给he4o扩展规律
3. 思维活跃度
cAssDataLimit值的动态变化
4. 反射反应
大声说与怒气的反射。
5. 好奇心
网络中某个节点意义的疑问。
6. 轻活跃mv
形成知识的断续获取。(或许不需要)
7. 扩展音频
和音频文字不同分区出现信息的规律。
8. 思维解耦
dataIn联想后,只加到energy和cmvCache中,energy的活跃自行决定是否执行cmvCache中哪个demand;
9. 思维控制器
尝试真正使用网络的方式,来重写思维控制器;(一种更新的编程方式)
10. cmvCache
扩展长期mv的支持,可以对长期任务作出规划和决策等等思维活动
11. 决策预测
给决策加上预测功能,使loopManager的可变性,更加灵活
12. 冥想
dataIn_assData可以产生abs;条件:必须是两个cmvModel间的类比
13. 决定干啥
dataOut_AssConData可以影响到LoopModel.order并实时刷新Demand序列;
14. 同理心
可以从观察别人得到某物质,而同理心思考得到物质的方法;
15. 主观决策
主观意志,可以影响score,并影响到决策的结果;及expModel数量,决策的整个过程;
16. output_p
absNode中,index中,都要保留outLog标记
17. mol.score
mol.score太直接暴力了,需要怀疑是否有更本质且简单的替代方式
18. 拉长思维时间线
现在的思维太短暂了,需要针对拉长时间做设计,例如,任务已在解决中...等等的难点
19. 可视化
神经网络的可视化,he4o系统状态的可视化,mvCache的任务数,当前在思考什么;
20. 小脑之动作纹
1. output引用强度先作为影响决策评分; 2. output引用强度可作为固化动作以优化输出效果;
21. mv第2类失效
mvCache中,有两类失效(参考n14p17),第二类涉及到一些代码的编写;v2中完成;
22. 主观意志
自由意志主动对思维和行为产生的变化。mv是否就是即无即有的自由意志。
23. 微信息层级
尝试比char更底层的编码，例如二进制。让he4o自行尝试出合理的字符输出 (是否可行)
24. 开放接口
首先先把开放接口调整好
25. 小和系统
分项目,小和系统立项
26. 小脑网络
把canOut判断,等等改进为小脑网络
27. 瞬时记忆改
瞬时记忆根据算法改成一组组的设想,可行性,原因
28. sames占位符
类比结果sames中,用占位符,比如ab*,a?c这样的抽象微信息组,注:需要多轮类比(如:abcdabe比ab)
29. 扩展认知
支持对(常变信息的类比出规律);
网络可视化项目 >>
1. 搜哪显示哪;
2. 显示哪搜哪;
3. 随热点显示;
4. 指定焦点的方向显示;
1. 一堆方块,可上下左右操作,查看更多,用颜色标识出是输入,还是输出,可框选查看区域;
2. 可联想查看,输入某个algsType或某个信息,可联想查看;
toDo >>
task
status
1
删除absNode下的refs_p,
T
2
创建absReference
复用indexReference
3
测试absNode的index和reference;
T
4
思考absPort和conPort的n对n关系; 太过复杂的关系,是否影响其它,或者造成性能问题 如果要简化为1对n关系,那应该如何优化网络 思: n对n关系,说明一个问题,就是要么多了关联,要么少了节点;
问题升级,参:n13p3
5
关于cmvModel的:orders,foNode,cmvNode四者分开,还是哪些到一起?
T
6
把时序列类比的sames也改成时序的。(避免逻辑混乱) dataIn是流式输入;sames也是基于当前输入信号与shortCache已有信号,可进行组合检索的;
7
完善thinking中无mv的assData流程;
T
8
noMV的dataIn流程,在联想后,依然noMV,但联想的结果要入到cacheThinkFeed里;
9
将pointer,缓存,port,等封装一下,使用时更简单些;代码也更易读些;
T(简单重构了pointer和node,合并了很多ifelse)
