现今，深度神经网络，都是预先定义好了网络结构，在大量学习中得到模型权重，模型的连接本身是固定的，也就是各个神经元的连接关系是在网络结构中确定了的。最后训练的结果，依旧可表示为多元多次函数的表达式模型。面对不同的输入，其表达式并不会改变，造成有的模型泛化能力就很差。
但是，如果我们可以设计某一种机制，可以通过改变权重本身的系数（只有0和1），那么我们就能够改变神经元之间的连接关系，并单独设计一个网络，训练生成0和1（也就是神经元连接的通和断）的网络，针对不同的输入，网络本身的通断是不同的，是不是更加灵活。同时也更加符合人大脑的神经网络机制，所谓的0/1就是神经递质，有神经递质，神经元之间才能互相影响。
同时，一个深度神经网络都是实现某一特定任务，因为它的输出本身就是确定了它最终要完成什么任务，但是若是我们的（0/1）的结构足够灵活，我们甚至可以利用同一个网络，实现不同的任务。
可能因为我是一个菜鸟，对于深度学习，我甚至都还没入门，所以我不确定这是否是一个合理的想法，但是我同样也没有被现有的深度学习套路所束缚，先在此记录以下，若等到真的有一天，这种想法可以被实现，那么我也能够吹吹牛逼了。
来源：CSDN
作者：UESTC_liuxin
链接：https://blog.csdn.net/qq_20549061/article/details/104444373