sp;“我？”韩宇止住了笑，一本正经回答道，“嗯，写完了写完了，这会儿有点bug，来看看别人做的怎么样了。”
说完韩宇一溜烟的就回到自己的位置上，开始头疼自己遇到的问题。
具体的代码，小册子上没写。神经元的大小，卷积的步长，小册子上给了例子，代码却是一个也没有。刘浩然完全照搬了例子，找了一张图片做测试，然后就做成了打码……
而韩宇遇到的问题则是，卷积设置的太小，以至于最终拼接的时候，图片如果过大的话，电脑会反应很慢，cu占用率几近1oo！
“到底哪里不对呢？”俩人都在想着各自的问题。
图片模糊和图片打码其实是一回事，都是对卷积核和卷积云做平均值处理。这是机器视觉的第一步，被称之为预处理，其目的是降低图片的复杂度和最终计算量。
而不同于小册子介绍的单核卷积，图片的卷积过程其实是个多核卷积。这个过程是立体的，立体并不是指的空间上的立体，图片再怎么立体，它终究是个二维对象。这种立体指的是色彩上的立体，所以通常的图形卷积过程都是三核卷积。
众所周知，红黄蓝是三原色，而对于计算机来说，三原色则是红蓝绿，通常用rgb(red，greed，b1ue)三个o～255之间数值来表示，每个颜色的组成部分都被称之为通道。
所以图形的卷积过程，其实就是对三个通道分别做处理，这就是三核卷积。因而，它是立体的。
这俩人已经算是很优秀了，许多人在面对这一步转不过弯，脑子里无法构建出应有的卷积模型。
邓助理本来是打算开小灶，打算等将来学到了本事，就去求龚塞刚把自己也塞到这个项目里。也是卡在了这一步，因而直接放弃了。
人和人，终究是不一样的。
刚才说了三核卷积，那么就好解释为什么机器视觉会是个黑盒模式，为什么无法用语言来解释机器视觉的特征库里的数据含义。
因为计算机最终拿来做对比的部分，是已经做过预处理的这些图片，分割成的一个个小块。
某些需要单通道计算的模块，识别老王是不是老王，可能只是看“老王头上多少绿”。(green，o～255)
实际上整个流程更为复杂，卷积、池化、激活等步骤会经过多次反复的交替执行，最终才能实现学习或检测的目的。
而学习和检测也是不一样的，为了防止过拟合，使计算机的结果更为普世化，“学习”的过程中还会有dro层这一步骤。
举个不太恰当的例子，一个人素颜和化妆的两张差别比较大的照片，人类设定好参数告诉计算机这是同一个人(监督学习)，计算机必须dro掉化妆那部分的特征后，才能把这两个图片当做同一个人。
当然了，dro是随机的，人类只要求得到符合目标的随机结果，因此这个dro可能也要进行成百上千次乃至上万次，才能随机出人类想要的结果。
所以，这里的计算量是相当大的，也就有了使用gu的必要性。
gu就不用多说了，如果把cu比做老板，gu就是这个公司里最擅长计算的员工。
gu非常适合做图形处理和大型计算，显卡里面配置的就是gu。只是这个gu是阉割过的，不太适合ai使用，正常的gu市面上根本买不到，因而才需要侏罗纪去自己设计和小批量的制造。
第221章 老王头上多少绿[2/2页]