Compiler construction 用于编译源代码的人工神经网络

如果有一个人工神经网络，当它在数百万个源代码示例和编译结果上进行训练时，它可以将源代码编译成正确的输出，这是合理的吗？例如，一个接受过Python源代码和Python字节码培训的ANN，在给定Python程序时，可以将其正确编译为字节码。

如果允许任意长的程序，则不能

如果您的NN是有限的，那么它只能生成有限数量的编译程序。但是，如果我们允许任意长的python程序，那么我们就有无限多的编译程序。因此，一个有限的神经网络不可能对所有的神经网络进行分类

---

即使使用长度有限的python程序，我认为这也不太可能奏效。NNs是很好的分类任务，例如“这张照片里有人吗？”。编译是一个程序问题。两个非常相似的python程序可以具有非常不同的功能（您是否曾经错误地使用python缩进？）虽然这可能是一个非常有趣的认识论问题，但从技术角度来看，我认为这并不十分有趣：如果你考虑AI编程是如何发展的，你会发现第一种方法是沿着胡理思维的纯粹逻辑规则来处理的。例如，西蒙、肖和纽厄尔在1957年写的这本书（！）试图按照一般的逻辑原则在一个非常高的抽象层次上进行操作

驱动力是相信每个问题都可以形式化为逻辑问题，并使用具有相应推理规则的知识库来解决。显然，这并不适用于模式识别或（视觉、听觉等）感知等“琐碎”的东西。只有在遇到这些问题后，人工神经网络（包括人工神经网络）的想法才得到了宣传，并指出对于某些问题，形式化方法是不合适的

---

长话短说：对于将一种形式的（！）语言编译成另一种语言的问题，形式的（逻辑的）方法是最合适的。换言之：虽然可以用石头打开罐头，但我宁愿用开罐器……；）

根据科尔莫戈罗夫的叠加定理，神经网络可以复制任何连续函数，而编译器可以被视为一个非常复杂的函数。但这一点都不实用。

事实上，如果一次输入有限大小的代码段，您可以用有限的NN编译任意长的程序。我认为证明这一点的方法是：

• 编译程序是一个可决定的问题（例如，它可以通过图灵机解决）
• 您可以从与非门构建任何逻辑门
• 您可以使用逻辑门构建图灵完整机器
• 使用函数

  f

  
  （其中

  f（x）=1，如果x 0

  ）
  作为传递函数的神经网络的一个神经元，基本上只有两个相同权重的输入，这是一个与非门

---

所以你可以建立一个图灵完备的NN=>有一个NN理论上可以编译任何程序

，当然。这是你的问题吗？我知道这在理论上是可能的，但它是可信的吗？它需要的样本数量合理吗？我不是神经网络方面的专家，但考虑到当今的神经网络水平，我认为这在很大程度上是不合理的。你也许可以训练它检测语法上有效的python代码，但即使是这样也很重要。对于一种更简单的语言，或者作为语言之间的转换器，比如BF和Ook，怎么样？严格来说，没有编译器允许任意长的程序。这不是一个有意义的限制。一个有限的编译器可以编译无限多个不同的程序。有限神经网络不能。不管现实世界的编译器实际做什么，这都是正确的。有限编译器可以编译大量不同的程序。我不想说有无限多。所有编译器对递归深度、函数或变量的数量、源文件大小等都有限制。这些限制非常大，但不是无限的。此编译器函数的维数是多少？如何将python源代码映射到这些

n

值？（将源代码限制为n字节？）我不认为编译是一个n维连续函数。。。