！

！

灰哥，你居然还活着？

我以为你打算一直装死呢……”

林灰：“[敲打][敲打]这叫什么话，我活得好好的……

只是刚刚睡醒而已，我还以为明天出分呢！

打算睡足了养精蓄锐熬夜查成绩。”

刘繇：“牛啊牛啊，瞧瞧什么叫大佬？

这份淡定就学不来！

我可是半宿没睡着。”

何思远：“确实，我一直守着刷新。

结果半天刷新不出来。

一直折腾到半夜两点多。

查出成绩来才放心去休息。”

曹海超：“我信你个鬼@何思远。

我看你可是一直TGP在线！

我邀你还TM不理我。”

何思远：“我哪顾上玩游戏。

那是我表弟在登我账号……”

曹海超：“你觉得我信吗？

[鄙视]”

何思远：“对了，@叶雨夕你这次考得好猛啊？”

叶雨夕：“我还好了，我感觉这次考686已经是我极限了。

理综里化学实在是有点拖后腿……”

曹海超：“呃，化学拖后腿理综还考290……

还能不能愉快地做同学了，你们几个不带这么装比的。”

林灰刚好也不愿意在分数上多聊。

趁此机会岔开话题：“对了，话说你们都想好报什么志愿了么……”

刘繇：“我这个分数想去清北的话有点悬。

估计只能去京大医学部。

要是去京大医学部的话，估计铁定是做医生了。”

林灰心道，这可不一定。

学医的还真未必做医生，还有可能跑去卖医疗器械。

极端点的情况甚至会出现一届学生中一半做医疗器械。

一半同学推销另一半同学做的医疗器械.

医疗器械什么的以后有余力倒是可以搞一搞。

不过这不是林灰暂时的打算。

暂时林灰要做的只有两件事。

一、通过各种手段赚取足够多的启动资金。

二、获得一定的学术上的地位从而获取学术话语权。

关于未来的规划。

林灰其实已经在稳扎稳打地向前推进了。

尽管现在步子还不是很大。

但其实并不慢。

林灰现在搞得那个生成式摘要算法已经有所成就。

生成式摘要算法是林灰入局的敲门砖。

/*对技术无感的括号内容可以直接跳过去*/

（之所以以此入局，是因为自然语言处理这东西之于神经网络学习

很像是数论之于数学。

数学里的数论你不能说它不重要。

但是门槛是真的低。

当然数论门槛虽低，但上限却很高。

而自然语言处理的门槛也很低。

毕竟涉及到语言这东西，谁都会语言。

因此自然语言处理门槛也很低。

门槛低代表着即便林灰入局也不会被太在意。

而NLP 神经网络虽然门槛低。

但和数论一样，上限很高。

上限很高意味着什么呢？

意味着将来可以轻松破局！）

而林灰打算怎样破局呢？

生成式摘要算法本质上是深度学习发展的产物。

而现在这个时间节点。

却只有神经网路识别。

没有真正意义上的深度学习。

林灰很清楚打开真正的深度学习的钥匙是什么？

——残差神经网路。

（这个概念是前世在2015年由Microsoft某研发团队提出的。

残差神经网络是一种残差学习框架来减轻网络训练。

和以往的神经网络架构不同。

残差神经网路的架构将层变为学习关于层输入的残差函数，而不是学习未参考的函数。

经验证据证明这些残差网络很容易优化，并可以显著增加深度来提高准确性。

林灰记得，前世的研究小组在ImageNet数据集上评估了深度高达152层的残差网络。

这个152层的深度要比现在这个时空主流的深8倍。

但是就复杂度而言，残差网络却具有较低的复杂度。

深度网络自然地将低/中/高级特征和分类器以端到端多层方式进行集成。

特征的“级别”可以通过堆叠层的数量来丰富。

可以说残差神经网路具有碾压般的优势）

残差神经网路这个东西在外人眼中可能是晦涩的术语。

但其实这是开启未来的钥匙。

而其就掌握在林灰的手中。

林灰这种比喻丝毫不过分。

只有在残差神经网络出现之后，深度学习这个概念才真正出现。

具体到应用层面。

在残差神经网络出现后。

可以导致了图像识别领域的一系列突破。

而图像领域的突破。

很可能使得【人脸识别技术】得到发展。
本章未完，请翻下一页继续阅读.........