我记得很久很久以前读过，神经网络在理论上（假设无限大的网络）可以复制任何算法 - 因此理论上的神经网络可以复制哈希函数是有道理的。

这是通用逼近定理，它确实适用于学习哈希函数。

然而，该定理没有说明泛化，这是学习任何伪随机函数时的一个主要问题。

任何具有以下属性的散列函数：

• 输出很难或不可能反转回任何原始输入，

• 输出对输入高度敏感，因此输入中的单个位更改将（伪随机）更改输出中的所有位。

将不可能使用统计技术进行近似和概括。密码散列算法将这些作为设计目标，并试图满足随机预言机的理想。

如果你可以训练一个神经网络在看不见的输入上泛化超过 50% 的准确率（逐位，并在适当大的测试数据集上测量以确定重要性），这将表明散列被破坏以用于加密。即使对于已知的损坏哈希（例如 MD5），您也可能无法实现此目的。

如果我们将范围限制为仅查看加密哈希并假设我们可以使用输入/输出对进行训练，那么为此训练网络是否合理？

您不太可能为此创建任何有用的可重用模型。对于练习机器学习来说，它可能仍然是一个值得学习的练习，主要好处是很容易将训练和测试数据集放在一起。您对无法找到任何东西的期望可以用作统计知识的测试和寻找错误。如果你得到积极的结果，你的第一个怀疑是检查你的代码和假设。但是，在其他学习场景中，您对制作有用的模型有更高的期望，而 IMO 会更有回报。