：如果可以有多个电脑，自然随机地分配任务，并行从多个点开始用就近算法寻找，那么自然可以在“单核cpu”性能比较弱的情况下，通过堆砌cpu数量加快问题的解决度。

　　但这个概念并没有“节约计算资源”，因为理论上它只是把“1台电脑1o小时工作量”变成了“1o台电脑1小时的工作量”而已。而且这种最原始的“神经网络”也依然没法解决那些“似是而非”的模糊问题――他们只能回答“有我认识的人/没有我认识的人”这种非此即彼的问题。

　　库克点名了在这个领域让顾诚对其应用模型说出个子丑寅卯来，顾诚自然不能避战。

　　“我拜读过辛顿教授对于神经网络的最新模型假说，卷积神经网络，以及与之配套的学习型算法。我认为这个东西可以和互联网的自动识别/索引工具相结合。至于具体的应用场景么……那就属于商业机密了，恕我无可奉告。”

　　“卷积神经网络的新用法？”

　　史蒂芬.库克教授一愣，但很快冷静下来，他可不是一个概念就能忽悠住的。

　　“看来，顾先生要论述的重点，就在于‘卷积’上面了？”

　　“没错，如果没有‘卷积’，仅有‘神经网络’，我们依然没法讨论近似于人脑判断的模糊问题。”顾诚一副成竹在胸的样子，似乎对对方的反应早有预判。

　　他打开电脑，接上投影仪，屏幕上出现了一张猫的图片。

　　“我用图上这只猫举例子――尽管这只猫一只耳朵竖着一只耳朵折了，眼珠瞳孔也有点不正常，尾巴还特别短，毛色肮脏还和照片的背景色非常接近，但我作为一个人类，还是一眼就认出了这确实是一只猫。

　　现在，我用我根据辛顿教授的阀值思想编写的自学程序，用机器对这只猫是否是猫进行初次预判。在这个算法里，我们预构了3o个组合特征量，比如‘猫眼’、‘猫耳’‘猫毛’、‘猫尾’……然后用三十个神经元单位的处理资源，分别针对每一个组合特征量进行预判，然后分别给出结果。

　　在这三十个神经元单位内部，我们再根据‘本图猫眼与本神经元见过的猫眼’之间的像素相似度作出判断，给出一个积值，从而得到‘这有85%概率是一只猫眼’或者‘有7o%概率是一只猫耳’之类的参考量。最后，把这3o个组合特征量按照默认1：1的权重进行组合，最终平均分高于6o分就判定‘这是一只猫’。”

　　“那成功率肯定很可怜。”库克教授耸耸肩，一脸的悲悯。

　　“当然很可怜，因为我的实验才开始呢――做到这一步，并不是要让机器判断正确，而是在机器判断完之后，让人眼再复查一遍。如果机器和人的判断结果一致，那么就给目前的特征量分组方式和每

　　请收藏：https://m.dagang8.com

（温馨提示：请关闭畅读或阅读模式，否则内容无法正常显示）