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，自然是卷积神经网络CNN了。

以CNN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n×n×3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，而没有使用他此前在CNN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。

而这个深度CNN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……