江寒叫來服務員，和自己一起，把老江架了起來。
很快來到預定的套房裡。
江寒將老江扔到大牀上，又拉過一條薄被，給他蓋上了。
隨後，他就坐在沙發上，打開手機，給夏雨菲發了條微信。
“我這邊已經搞定了，你那邊呢？”
過了一會兒，夏雨菲回覆：“差不多了，我剛把媽媽哄睡……咱們交換下情報？”
江寒呵呵一笑：“那必須啊。”
夏雨菲馬上給江寒撥了個語音通話。
兩人將打聽到的線索，往一起一拼合，事情的來龍去脈，就更加清楚了。
可惜仍然不知道，當年那個第三者到底是誰……
“接下來怎麼辦？”夏雨菲問。
江寒沉吟了一下：“咱們倆該幹嘛幹嘛，至於你媽媽，還有我家老江……他們倆的事情，讓他們自己去處理。”
夏雨菲遲疑着問：“這樣真的好嗎？”
俗話說，關心則亂。
她現在的狀態，說好聽點，叫患得患失；說的直接點……
江寒呵呵一笑：“不然呢？”
這種事情，過分干預的話，往往適得其反。
所以，直接插手是不可能的，頂多推波助瀾……
夏雨菲遲疑了半晌：“好吧，我聽你的。”
……
又聊了一會兒後。
“那個……”夏雨菲欲言又止。
江寒問：“怎麼了？”
夏雨菲一咬牙：“如果你將來……如果你將來，喜歡上了別的女孩子，或者做出了對不起我的事情，我也一定會學媽媽，轉身就走！”
江寒“嗯”了一聲，平靜地說：“我記住了。”
夏雨菲沉默了一會兒，語氣轉柔：“不過我也一定，一定會給你一個機會，跟我解釋清楚。”
如果通過解釋，消弭了誤解，那自然啥事也沒有。
如果他的解釋，實在無法讓人滿意，那就……
那就再給他一個機會，重新解釋唄。
當真決絕地離開？
只怕自己還真有點辦不到！
當然，這個就不用告訴他了，自己心裡有數就行……
江寒點了點頭，說：“這樣很好。”
兩人又聊了一會兒。
見時間已經不早，江寒就和夏雨菲互道晚安。
然後隨便洗了洗，在老江隔壁，將就着躺了下來。
臨睡前，江寒又打開手機，隨意瀏覽了一會兒。
他主要關注的，是機器學習方面的最新進展，和一些行業上的消息。
可惜心裡有點不淨，總是想到老江、夏如虹的事情……
大約二十分鐘後，江寒忽然看到了一則消息。
ISLVRC2013已經開始接受報名，並開放了數據下載端口。
江寒不由得精神一振，總算等到了！
ISLVRC，全稱ImageNet Large Scale Visual Recognition Challenge，中文名稱“大規模視覺識別挑戰”。
但其實，就是個圖片分類比賽……
ISLVRC使用了ImageNet 的一個子集。
ImageNet 是一個相當龐大的圖像識別數據庫，由斯坦福大學模擬人類的識別系統建立。
有超過1400萬的圖像，以及相應的標籤，共包含2萬多個類別，一個典型的類別中，往往包含數百個圖像。
這次的比賽中，ImageNet提供的訓練集，共包括12萬多張圖片，以及對應的標籤。
驗證集則是50000張圖片和標籤。
至於最終挑戰的測試集，則包含了10萬條數據，分屬於1000個不同的類別。
這麼大規模的數據集，製作起來成本高昂得驚人，全世界也沒有幾個。
對於研究機器學習的人來說，這個比賽可是不容錯過的。
江寒馬上就報了名，並利用會館的WIFI，開始下載數據集。
只是，手頭並沒有電腦，怎麼進行編程呢？
江寒沉吟了一下，馬上進入了虛擬空間。
這裡可是有一臺隨時可以使用的286。
雖然型號特別原始，性能落後了點，也不能調試、編譯神經網絡。
不過，自己完全可以用文本的方式，先把代碼敲進去，保存好。
明天再找個時間，發送到真實電腦上，調試、修改、編譯，然後上傳到服務器上訓練……
此外，這樣做還有一個莫大的好處，那就是可以節省大量的時間。
畢竟在這裡工作100個小時，外面只過去大約1個小時……
江寒思考了一會兒，很快就有了大概的思路。
首先，既然是圖像識別，那麼最適合的模型，自然是卷積神經網絡CNN了。
以CNN爲基礎，打造一個深度學習網絡，再進行一番優化，結合一些小技巧，大概率能取得極其優秀的成果。
江寒設想了一個多達十幾層的卷積神經網絡。
首先是輸入層。
輸入的圖像數據，是n × n × 3的RGB彩色圖像，所以這一層的數據格式，可以定義爲一個三維數組。
接下來是卷積層。
對於卷積神經網絡來說，這自然是重中之重。
江寒花費了很大的心血，終於設計出一個全新的結構。
通過反覆地卷積、池化和標準化，一步步提取圖像的特徵……
經過前面這些步驟，需要處理的神經元個數，和輸入層相比，已經減少了很多。
接下來，就可以把數據送進全連接層，用softmax函數進行分類了。
最後還要有個輸出層，對應1000種分類標籤……
確定了大體思路之後，江寒又設計了一下網絡的具體結構。
比如，應該有幾層卷積層，每一層如何實現……
一般的神經網絡裡，激活函數主要使用Sigmoid和Tanh（雙曲正切）函數。
但這兩個函數……
在網絡層次較淺時，問題可能還不是很大，網絡層次一深，就容易梯度爆炸或者梯度消失。
江寒在研製OCR軟件的時候，就發現了這個問題，所以這一次，他準備引入ReLU，作爲卷積層的激活函數。
ReLU（Rectified Linear Unit），一般稱作“線性整流函數”，也可以翻譯成“修正線性單元”。
這個函數其實很簡單，表達式爲F（x）=max（0，x）。
當自變量大於0時，它就是一個線性函數，相當於一次函數y=x；
當自變量≤0時，y≡0。
這個函數其實不是什麼新鮮東西，只是在機器學習中，以前沒人用過罷了。
所以這也算是一點小小的創舉……
要說ReLU的好處嘛，那自然是不少的了。
一方面，可以有效緩解梯度消失、梯度爆炸。
並且，還能讓梯度下降得更快，有效地提高訓練效率。
另一方面，也比較符合仿生學原理。
生物神經細胞的工作模式，就和這個函數差不多……
江寒思考了一下，又在網絡的最後幾個全連接層中，使用了Dropout方法。
所謂Dropout，就是在前向傳導時，以某個概率P，隨機忽略部分神經元。
這樣做，可以有效地避免過擬合。
在編寫池化層時，江寒考慮了一下，使用了重疊的最大池化方法，而沒有使用他此前在CNN論文中提到的平均池化。
因爲後者有個副作用，容易導致模糊化。
同時，這樣做還有另外一些好處。
比如，由於有部分重疊和覆蓋，提取出來的特徵，往往也會更加豐富……
在編寫標準化層的時候，江寒考慮再三，運用了LRN機制，也就是局部響應歸一化。
這樣做的目的，是讓局部神經元的活動，產生某種競爭機制，使得強者愈強、弱者愈弱。
歸根結底，是爲了提高模型的泛化能力。
爲了儘可能加快訓練速度，江寒甚至考慮過使用GPU編程。
雖然這個世界的GPU廠商，還沒有發明CUDA技術，但硬件條件已經完全具備了。
畢竟從理論上來說，能挖礦的顯卡，就能用於大數據計算。
只要編寫出合適的驅動和代碼，就能利用GPU，來進行大規模並行運算，顯著地提高神經網絡的訓練速度。
可惜的是，單個顯卡的顯存比較有限，也就是說，可能承載不了太大的人工神經網絡。
而這個深度CNN網絡……
即使最保守的估計，也需要4~5GB的顯存。
這樣一來，就必須用兩塊顯卡，交下火才行了……
江寒在虛擬空間中忙碌了幾十個小時，終於把這個空前巨大的人工神經網絡搭建了起來。
當然，今天是沒法開始訓練了，只能等到明天再說……
江寒想了想，又買了很多空白圖紙，以及一些中性筆，開始草擬論文的初稿。
在這次的比賽中，沒啥意外的話，自己這個“深度卷積神經網絡”，應該能拿到不錯的成績。
到時候，萬一有需要的話，現寫論文就顯得有點不夠從容了。
所以江寒決定，今晚就把這個網絡的框架，寫成論文，保存起來。
等到訓練完成，收集到足夠的數據，再稍微修改下，就可以找個合適的時機，投出去了……