9号看书网

手机浏览器扫描二维码访问

第52章 大功告成（第2页）

这就是典型的机器学习过程，计算机从数据中自己“学”

到了某种规律。

即使这种规律，人类并不一定完全理解，也不见得能用数学语言解释清楚……

剩下的就比较简单了。

接下来，江寒又添加了几个函数，用来输出运算结果、观察运行情况等。

最后，从头调试了一遍，确认没啥bug后，将代码重新编译，然后运行了起来。

屏幕上有一些数字，表示当前正在处理的数据，和训练进度的百分比。

十分钟后，后一个数字才刚刚达到1.3%。

这表示，完整训练一遍，大约需要13个小时……

之所以这么慢，主要是江寒的程序，比较追求稳定性，以及调试的方便、快捷，并没特别讲究执行效率。

当然，即使他用心优化，估计也需要8个小时以上，才能完成训练。

虽然有点慢，但其实没什么关系，训练过程并不需要人工干预，挂机等着就行。

第二天早晨，江寒起床后，先看了下训练进度，还差了大约13%才能完成，就先去班级上课。

中午吃完饭回来，训练终于结束了。

而存放权重和偏置参数的Weight数组，也以内存映像的方式，保存在了一个二进制文件中。

接下来就简单了。

重建一个一模一样的感知机模型，加载上这个权重文件，就可以用它来判断剩余照片的性别了。

江寒重新改写代码，然后运行。

这次十分迅速，只用了不到20分钟，就将两万一千来张照片，全部处理完毕。

这就是“感知机”

，或者说“人工神经网络”

的特点。

训练起来特别耗时，一旦训练完成，工作起来非常快捷。

至于正确率，江寒初步估计，大大超过99%，21000条未经训练的数据里，判断出错的，绝不超过10人。

比人类肉眼的识别率低不到哪里去。

事实上，“感知机”

或者说“人工神经网络”

的错误率，跟训练数据、测试数据的质量有很大关系。

如果比较规范，达到100%的识别率都不算稀奇。

可惜实际运用中，总有个别实例，奇葩得超乎想象。

有的时候，人类都几乎无法识别！

根据老高的说法，这区区几个错误的，可以在把名单下达到各校后，根据反馈修改一下就行。

如果没有这个托底，就没法使用“感知机”

，因为没办法判断，哪些人被误分类了……

得到了全部照片的性别数据后，江寒将其粘贴到了《报名信息表》中。

大功告成后，江寒没急着找高老师复命。

这么快就搞定，老高肯定会十分震惊，然后追问前因后果。

“感知机”

解释起来太费劲，而且也没那么高大上，还用不着见人就推销。