算法学习是人工智能的核心问题之一,它是指机器通过输入-输出样例自动学习算法。神经网络图灵机引入外部记忆模块增强了网络存储临时信息的能力,它适合捕捉算法学习中存在的长距离依赖关系。然而,本文在训练神经网络图灵机学习加法、乘法等算法任务时,发现两个问题:一是模型的训练难度大,导致模型的准确率难以提升;二是模型中频繁地使用计算量大的sigmoid激活函数,导致模型训练速度慢。为了解决这两个问题,本文的主要工作如下:(1)使用课程学习策略简化任务,降低模型的训练难度。但是传统的课程学习策略存在两点问题:其一是在学习新课程时,没有复习旧课程;其二是没有根据课程的难度调整课程内容。针对问题一,本文提出一种基于固定课程比例的课程学习策略:在学习新课程时,按照给定的比例生成新课程内容;针对问题二,本文提出一种基于自适应课程比例的课程学习策略:在学习新课程时,根据课程难度调整新课程的比例。(2)使用Hard sigmoid函数代替sigmoid激活函数,减少计算量。sigmoid激活函数的函数值和导数值的计算量大。Hard sigmoid函数不仅具备sigmoid函数的主要性质,还有计算简单、容易优化的特点。使用Hard sigmoid函数代替神经网络图灵机中的sigmoid激活函数,即保证了神经网络图灵机的核心结构不发生改变,又减少了计算量。本文将该模型称为H-NTM。实验结果表明,使用本文提出的两种课程学习策略训练神经网络图灵机,模型的准确率至少提升了7%;与神经网络图灵机相比,H-NTM的训练速度至少提升了6%;在使用基于自适应课程比例的课程学习策略训练H-NTM后,H-NTM的准确率比神经网络图灵机高7%以上,训练速度比神经网络图灵机快6%以上。