江寒叫来服务员，和自己一起，把老江架了起来。
很快来到预定的套房里。
江寒将老江扔到大床上，又拉过一条薄被，给他盖上了。
随后，他就坐在沙发上，打开手机，给夏雨菲发了条微信。
“我这边已经搞定了，你那边呢？”
过了一会儿，夏雨菲回复：“差不多了，我刚把妈妈哄睡……咱们交换下情报？”
江寒呵呵一笑：“那必须啊。”
夏雨菲马上给江寒拨了个语音通话。
两人将打听到的线索，往一起一拼合，事情的来龙去脉，就更加清楚了。
可惜仍然不知道，当年那个第三者到底是谁……
“接下来怎么办？”夏雨菲问。
江寒沉吟了一下：“咱们俩该干嘛干嘛，至于你妈妈，还有我家老江……他们俩的事情，让他们自己去处理。”
夏雨菲迟疑着问：“这样真的好吗？”
俗话说，关心则乱。
她现在的状态，说好听点，叫患得患失；说的直接点……
江寒呵呵一笑：“不然呢？”
这种事情，过分干预的话，往往适得其反。
所以，直接插手是不可能的，顶多推波助澜……
夏雨菲迟疑了半晌：“好吧，我听你的。”
……
又聊了一会儿后。
“那个……”夏雨菲欲言又止。
江寒问：“怎么了？”
夏雨菲一咬牙：“如果你将来……如果你将来，喜欢上了别的女孩子，或者做出了对不起我的事情，我也一定会学妈妈，转身就走！”
江寒“嗯”了一声，平静地说：“我记住了。”
夏雨菲沉默了一会儿，语气转柔：“不过我也一定，一定会给你一个机会，跟我解释清楚。”
如果通过解释，消弭了误解，那自然啥事也没有。
如果他的解释，实在无法让人满意，那就……
那就再给他一个机会，重新解释呗。
当真决绝地离开？
只怕自己还真有点办不到！
当然，这个就不用告诉他了，自己心里有数就行……
江寒点了点头，说：“这样很好。”
两人又聊了一会儿。
见时间已经不早，江寒就和夏雨菲互道晚安。
然后随便洗了洗，在老江隔壁，将就着躺了下来。
临睡前，江寒又打开手机，随意浏览了一会儿。
他主要关注的，是机器学习方面的最新进展，和一些行业上的消息。
可惜心里有点不净，总是想到老江、夏如虹的事情……
大约二十分钟后，江寒忽然看到了一则消息。
islvrc2013已经开始接受报名，并开放了数据下载端口。
江寒不由得精神一振，总算等到了！
islvrc，全称imagenergescalevisualrecognitionchallenge，中文名称“大规模视觉识别挑战”。
但其实，就是个图片分类比赛……
islvrc使用了imag的一个子集。
imag是一个相当庞大的图像识别数据库，由斯坦福大学模拟人类的识别系统建立。
有超过1400万的图像，以及相应的标签，共包含2万多个类别，一个典型的类别中，往往包含数百个图像。
这次的比赛中，imag提供的训练集，共包括12万多张图片，以及对应的标签。
验证集则是张图片和标签。
至于最终挑战的测试集，则包含了10万条数据，分属于1000个不同的类别。
这么大规模的数据集，制作起来成本高昂得惊人，全世界也没有几个。
对于研究机器学习的人来说，这个比赛可是不容错过的。
江寒马上就报了名，并利用会馆的wifi，开始下载数据集。
只是，手头并没有电脑，怎么进行编程呢？
江寒沉吟了一下，马上进入了虚拟空间。
这里可是有一台随时可以使用的286。
虽然型号特别原始，性能落后了点，也不能调试、编译神经网络。
不过，自己完全可以用文本的方式，先把代码敲进去，保存好。
明天再找个时间，发送到真实电脑上，调试、修改、编译，然后上传到服务器上训练……
此外，这样做还有一个莫大的好处，那就是可以节省大量的时间。
毕竟在这里工作100个小时，外面只过去大约1个小时……
江寒思考了一会儿，很快就有了大概的思路。
首先，既然是图像识别，那么最适合的模型，自然是卷积神经网n了。
n为基础，打造一个深度学习网络，再进行一番优化，结合一些小技巧，大概率能取得极其优秀的成果。
江寒设想了一个多达十几层的卷积神经网络。
首先是输入层。
输入的图像数据，是nxnx3的rgb彩色图像，所以这一层的数据格式，可以定义为一个三维数组。
接下来是卷积层。
对于卷积神经网络来说，这自然是重中之重。
江寒花费了很大的心血，终于设计出一个全新的结构。
通过反复地卷积、池化和标准化，一步步提取图像的特征……
经过前面这些步骤，需要处理的神经元个数，和输入层相比，已经减少了很多。
接下来，就可以把数据送进全连接层，用softmax函数进行分类了。
最后还要有个输出层，对应1000种分类标签……
确定了大体思路之后，江寒又设计了一下网络的具体结构。
比如，应该有几层卷积层，每一层如何实现……
一般的神经网络里，激活函数主要使用sigmoid和tanh（双曲正切）函数。
但这两个函数……
在网络层次较浅时，问题可能还不是很大，网络层次一深，就容易梯度爆炸或者梯度消失。
江寒在研制ocr软件的时候，就发现了这个问题，所以这一次，他准备引入relu，作为卷积层的激活函数。
relu（rectifiedlinearunit），一般称作“线性整流函数”，也可以翻译成“修正线性单元”。
这个函数其实很简单，表达式为f(x）=max（0，x）。
当自变量大于0时，它就是一个线性函数，相当于一次函数y=x；
当自变量≤0时，y≡0。
这个函数其实不是什么新鲜东西，只是在机器学习中，以前没人用过罢了。
所以这也算是一点小小的创举……
要说relu的好处嘛，那自然是不少的了。
一方面，可以有效缓解梯度消失、梯度爆炸。
并且，还能让梯度下降得更快，有效地提高训练效率。
另一方面，也比较符合仿生学原理。
生物神经细胞的工作模式，就和这个函数差不多……
江寒思考了一下，又在网络的最后几个全连接层中，使用了dropout方法。
所谓dropout，就是在前向传导时，以某个概率p，随机忽略部分神经元。
这样做，可以有效地避免过拟合。
在编写池化层时，江寒考虑了一下，使用了重叠的最大池化方法，而没有使用他此前n论文中提到的平均池化。
因为后者有个副作用，容易导致模糊化。
同时，这样做还有另外一些好处。
比如，由于有部分重叠和覆盖，提取出来的特征，往往也会更加丰富……
在编写标准化层的时候，江寒考虑再三，运用了lrn机制，也就是局部响应归一化。
这样做的目的，是让局部神经元的活动，产生某种竞争机制，使得强者愈强、弱者愈弱。
归根结底，是为了提高模型的泛化能力。
为了尽可能加快训练速度，江寒甚至考虑过使用gpu编程。
虽然这个世界的gpu厂商，还没有发明cuda技术，但硬件条件已经完全具备了。
毕竟从理论上来说，能挖矿的显卡，就能用于大数据计算。
只要编写出合适的驱动和代码，就能利用gpu，来进行大规模并行运算，显着地提高神经网络的训练速度。
可惜的是，单个显卡的显存比较有限，也就是说，可能承载不了太大的人工神经网络。
而这个深n网络……
即使最保守的估计，也需要4~5gb的显存。
这样一来，就必须用两块显卡，交下火才行了……
江寒在虚拟空间中忙碌了几十个小时，终于把这个空前巨大的人工神经网络搭建了起来。
当然，今天是没法开始训练了，只能等到明天再说……
江寒想了想，又买了很多空白图纸，以及一些中性笔，开始草拟论文的初稿。
在这次的比赛中，没啥意外的话，自己这个“深度卷积神经网络”，应该能拿到不错的成绩。
到时候，万一有需要的话，现写论文就显得有点不够从容了。
所以江寒决定，今晚就把这个网络的框架，写成论文，保存起来。
等到训练完成，收集到足够的数据，再稍微修改下，就可以找个合适的时机，投出去了……