神经网络的分类准确率是100%到底意味着什么？

(A,B)---n*m*2---(1,0)(0,1)

做一个网络分类A和B，随着迭代次数的增加A与B的分类准确率会不断的增加并无限的接近或达到100%。所以是否有一个物理过程与这个现象相对应？

 

先引入一个假设

假设1：完全相同的两个对象无法被分成两类，与之对应的分类迭代次数为无穷大，分类准确率是50%，50%。相等收敛标准下迭代次数越大表明二者差异越小。

比如参与分类的两个对象是两个小球A与B，训练集是这两个小球的波函数，这两个小球彼此向对方运动，并最终碰撞变成了球C，因此A和B的分类结果就是C的分裂结果。

按照假设1，如果A=B，则小球C会稳定的存在，因为组成C的波函数是两组相同的数据集，无法彼此分类，也就不会导致C的分裂。或者即便C分裂了，A与B也将是无法被分类的两个对象，他们的运动完全同步，超距作用，向一对纠缠的粒子。

 

但如果A≠B会发生什么？

以神经网络的作用过程为例，A与B之间的分类准确率会变大。这个过程可以合理的假设当迭代次数足够大的时候，这两个对象的分类准确率会变成100%。

也就意味这A与B完全分开，彼此不会对对方的运动造成任何影响。

要实现这种状态可以假设，比如A与B的距离是无限大则A的运动状态将永远也不会影响到B；或者假设A与B以光速远离对方，则彼此将永远无法接受到对方的任何物理信息，彼此对对方来说仅仅具有逻辑意义。

 

所以神经网络迭代的过程可以等效的理解成是加速A和B远离，并最终无限的接近光速的过程。

所以由此导出假设2

 

对应不同的两个对象，迭代次数越大，二者的相对速度越大；相对速度越大分类准确率越大。

也就是迭代次数是两个分类对象差异大小的量度，这个值只能在不同的分类对象间间接的比较，是一个静态的值。而分类准确率仅仅是分类对象相对速度的量度，是一个动态的值。因为对神经网络而言训练集是特征不变的，则两个训练集的差异也不应该随着时间的推移而不断变化。

所有由假设2，考虑C是一个原子核，A与B是两个粒子。则神经网络的分类过程可以理解成是一个原子核C衰变分裂成两个粒子A和B，并让A和B不断加速的由斥力主导的裂变作用过程。

 

或者也可以反过来理解神经网络的作用过程，是将两个相对速度为近光速的粒子，在一巨大能量的作用下减速，并不断靠近以致最终合在一起，成为物理上的同一个对象C。也就是神经网络的逆过程可以看作一个由引力主导的聚变过程。