阴阳五行等理论在科学辩证上是否站得住脚？ 第1页

如果说的科学是专指自然科学的话，包含阴阳五行等的术数理论当然不属于，但要说它只属于哲学就错了， 因为它其实是一种解析客观事物方式，可以理解为形式科学，与数学与逻辑学是一样的。

庄子有云：“至人之用心若镜，不将不逆，应而不藏，故能胜物而不伤。”用心若镜的，静观万物，看透事物的本质，不要掺杂自己的情绪而影响认见，才能做到胜物不伤。

说起来不少顶着个砖家博士名头的，整天尽搞反传统煽情绪刷流量，博一时之名利，是不是已经失去了一个求知者的应有本分了？

那些整天反五行理论的就的那些人，看到这里不用不爽，因为接下来不但会让你们不爽，还想让你们感觉被扇了一嘴巴~~~~~~

^_^ 以上仅是开个玩笑，莫当真，欢迎大家讨论，提出建设性意见，现在来说正文：

在以前说过的回答里说过，五行的逻辑是强调的两两之间的关系，五行的关键，不在五行本身，金木水火土仅仅只是五个符号，你要将它们称之为abcde，或是大黄狗1号，大黄狗2号......都是可以的。

明白这个后，对五行关系建模，如果将它们看作每一个节点，两两节点之间的关系，可以表达得到：

而其中的箭头，可以理解为生克比的关系。

首先比如构建一张这样的散点图，产生简单的数据。

从-1到1随机生成100个点，y轴与x的关系是x的3次方，再加随机扰动，这样一个散点，是否能用五行关系网络模拟出来？

任意取一个激活函数，比如tannh，因为函数图像区域在-1~1区间，用它进行模拟比较方便，当然经过实验，使用其它激活函数也是可以的。

具体的元素间的关系，其实就是连接的权值，划分为生、受生、比、受克，克，当然这一切是人为来定义的，按值的所在区域划分就行了。

那么将上述的关系，创建一个输入与输出，制作成一个神经网络模型，成为这样：

顺便说一下，将关系图采用全连接网络进行表示，在直觉上其实是很容易想到的，但仅仅是想到还不够，需要更多深入研究才能挖掘出其中价值。

何恺明大神《深度学习网络架构新视角：通过相关图表达理解神经网络》一文中，将通过相关图表达理解神经网络。

这里只是做了一下反向思维，将五行关系图用全连接网络来进行。

所以，这显然可以构造一个网络出来，直接上代码验证就好：

       import torch import torch.nn as nn import matplotlib.pyplot as plt from torch.autograd import Variable  x = torch.unsqueeze(torch.linspace(-1,1,100),dim=1) y = x.pow(3)+0.1*torch.randn(x.size())  class Net(nn.Module):     def __init__(self,n_input,n_hidden,n_output):         super(Net,self).__init__()         self.hidden1 = nn.Linear(n_input,n_hidden,bias=False)         self.hidden2 = nn.Linear(n_hidden,n_hidden,bias=False)         self.predict = nn.Linear(n_hidden,n_output,bias=False)     def forward(self,input):         out = self.hidden1(input)         out = torch.tanh(out)         out = self.hidden2(out)         out = torch.tanh(out)         out = self.predict(out)          return out  net = Net(1,5,1) optimizer = torch.optim.SGD(net.parameters(),lr = 0.1) loss_func = torch.nn.MSELoss()  for t in range(5000):     prediction = net(x)     loss = loss_func(prediction,y)      optimizer.zero_grad()     loss.backward()     optimizer.step()      if t%100 ==0:         plt.cla()         plt.scatter(x.data.numpy(), y.data.numpy())         plt.plot(x.data.numpy(), prediction.data.numpy(), 'r-', lw=5)         plt.text(0, -1, 'Loss = %.4f' % loss.data, fontdict={'size': 20, 'color': 'red'})         plt.pause(0.05)     

为了更准确的模拟，每一层中，将偏置bias设置成了False，这样可以更直接的使用激活函数来体现关系，这里迭代了1000次，而每100次显示一幅图，第100次时

第200次时，已经达到：

迭代5000次后，loss仅只有0.0095了，拟合的函数特征曲线也比较明显了：

即使是上述如果不是两层隐藏层，只使用一个隐藏层的话，同样也能实现收敛，只是收敛速度会慢上一些，从原理上来说，当然是得益于神经网络本身就有无限逼近任何函数的能力。

构成两个全连接层，模拟了五行关系，可以实现函数拟合，这只是一个非常简单的模型，在实际的场景中，五行生克会放入比这个复杂很多倍的符号运算体系中，也能快速逼近更高级函数表达。

在理解上来说，这个过程是符合人对五行生克的理解的，因为自输入层到两个隐藏层之间的过程，相当于人为逻辑分析事物五行的过程，经过两个隐藏层（相当于进入五行生克的关系图中进行运算）对生克变化的判断后，到输出层时，又相当于人对五行生克的结果的评估与经验性判读。

利益于现代工具与计算机技术的飞速发展，可以借此进行更细微的参数探查。

这里只是做了一个很浅薄的表达，实际上还有很多可以深入挖掘的东西，在此就不多提了。

比如说，五行关系是否有更好的表达方式？比如建立动力学运动微分方程，转换为激活函数，这样因为可以反向求导，所以进行梯度优化也会更加容易。

又比如，在一些理论体系中，复现成多层网络结构后，权重之间很多时候是共享的，虽然在深度神经网络中，看到过很多权重共享的例子，然而在这种场景下是否它依然有用？

再比如，通常在这些理论中，还涉及到周期的变换需要进行转换与引入，这些如何结合才能更好呢？

路漫漫其修远兮，吾将上下而求索，可有同道一同探索？