第372章 卷积神经网络 (第2/2页)

自己的个性化需求，他们出手却是为了赤果果的利益。

    谁都知道，只要能把写在机器人ROM中的程序DUMP出来，就可以几乎无限制地仿制。

    诚然，无论硬件结构还是软件程序，都受到《知识产权法》的保护。

    但专利这个东西……真想绕过去的话，办法肯定比困难多。

    可现在的问题是，经过整整一个星期的奋战，全国竟然没有一个“雇佣兵”，能破解盛夏的写字机器人！

    这个机器人的ROM程序，以及附带的应用软件，全都被加上了一层坚不可摧的“外壳”。

    雇佣兵中的确不乏高手，他们很快就发现了，这个“外壳”不是别的，正是两个来月前甚嚣尘上的“坏苹果”。

    而且，写字机器人上的这一个，甚至比“坏苹果”更“坏”，堪称“坏苹果”二代！

    破解难度太大，甚至看不到任何希望，这些人折腾了一段时间之后，就纷纷放弃了。

    这样一来，由于市场上迟迟没有竞品出现，盛夏的这款产品的销量，也就更加膨胀了。

    可以说，能生产出来多少，就能卖出去多少。

    在技术爱好者的小圈子里，甚至造成了一机难求的“繁荣”景象……

    自从上次聚会后，江寒整整花了一个星期的时间，上网收集资料，刷论文、找参考文献……

    经过一番努力，终于做好了前期准备，正式动笔写作下一篇论文。

    在他的计划中，这是今年最后的，也是最重要的一篇论文。

    江寒打算在2012年的最后几天里，将“卷积神经网络”抛出去。

    卷积神经网络，简称CNN，是一种前馈型的神经网络，在“深度学习”技术中，也是非常重要的一块积木。

    CNN最为适用的场景是图像分类和场景识别。

    在另一个世界，曾经在标准图像标注集ImageNet上，取得过举世瞩目的成就。

    一般的全连接神经网络，是把输入数据看做一维的数组。

    处理图形、图像时，一行、一行地读取像素点，然后拼接成一串数据。

    这样一来，就忽略了行与行之间的二维关系。

    而CNN则是通过“卷积核”对图片进行滤波，从而提取图片的特征。

    所谓卷积核，就是一个N行N列的数字矩阵。

    卷积的过程，其实就是一个压缩图片的过程。

    而“卷积核”的本质，就是一个二维的滤波器。

    这样的做法，很好地保留了邻近像素之间的关联情况，所以在大型图像处理方面，往往会有非常出色的表现。

    和其他神经网络相比，CNN需要的参数比较少，使用起来更加迅速、有效。

    CNN在训练时，采用的是和BP网络相似的“反向传播”技巧。

    一个经典的CNN网络，通常包括输入层、卷积层、池化层、全连接层、输出层或者径向基层。

    其中涉及到一些概念，比如“池化”、“局部感受野”、“共享权值”……

    江寒原本对这些东西，只有个大概的了解，理解得并不算特别透彻。

    这样一来，在研究CNN的时候，很多东西都要现场推导。

    因此这篇论文是他写得最费劲的一篇，足足花了一个多星期，才打通了全部障碍，形成了初步的腹稿。

    传统的图像处理算法，一般都要进行预处理，比如FCN，如果不对图像进行压缩，那么计算量将会非常巨大，甚至根本无法实施。

    但对于CNN来说，预处理并不是必要的，很多时候，甚至可以直接用原始图像，作为输入数据。

    所以，CNN的实用价值也是非常显著的。

    江寒所知道的，就有手写识别、语音识别、物体检测、人脸识别等许多应用方向。

    “当年”震惊世界的围棋AI程序，阿法狗，其核心中也包含了卷积网络CNN。

    可以说，有了卷积神经网络，计算机视觉这个领域，才迎来了革命性的进步……

    江寒花了好几天时间，终于将这篇论文写了出来。

    反复校对，感觉没什么问题之后，就投给了一区期刊ICML。

    这时，距离新年只剩下三天。

    就在这样的忙碌中，时间走到了2012年最后一天。

    12月31日晚上。

    江寒临睡前，忽然发现信息栏里跳出了一行红字提示。

    【学术点已偿清，系统UI重启中……】

    【重启成功……】

    【震惊商城重新激活，虚拟空间已开放……】

    【界面重组中……重组成功】

    江寒打开系统UI面板。

    【学术点：1，24】。

    可用的学术点终于不再是个负数了。

    江寒欣喜不已。

    然而，就在这时……

    【警告：宿主剩余寿命已不足十年！】

    【注意：这不是显示BUG，这不是BUG，这不是！】