江寒在网上搜索了一番，参考了一下同类软件。

最后他决定，采用市场接受度较高的免费下载、试用模式。

超过试用次数和时间后，只要花费58元，购买注册码，就可以终身使用。

在软件保护策略上，江寒毫不犹豫地启动了“坏苹果2代”技术。

经过加密后，“极光”的可执行文件，以及动态链接库等要害部位，堪称坚不可摧。

江寒又用nstllhieldizrd，制作出一个1大小的安装包，然后挂到了大江官网上。

技术上的事情，至此全部搞定。

至于其他的事情，全盘委托给老江和夏如冰就好

江寒想了想，又访问了一下布置在地下机房里的数据服务器。

过了这么多天，他为2013图像识别挑战赛，打造的深度网络，也终于完成了训练。

江寒将代码中关于训练的部分，暂时全部剔除，然后将验证集数据加载进来，跑了一下。

结果还算不错，tp1项目的识别正确率，达到了627，tp5项目中，更是达到了854的正确率。

所谓tp1，就是对于每张要分类的图片，只允许给出唯一答案，对就对，错就错。

至于tp5，要求就比较宽松了，每张图可以给出5种预测，有一个与标签相同，就算分类正确。

现在这个成绩，已经相当接近去年的冠军算法了。

但江寒怎么可能就此满足呢？

他深入思考了一番，重新编写了预测函数。

这一次，他使用了一个小技巧。

将待分类的图片加载到内存中之后，先进行预处理。

从图片的四个角，以及中间部分，依次进行矩形抠图，这样就得到了5张子图片。

接下来，再对这5张子图片，依次进行镜像操作，子图片的总数就变成了10。

最后再对这10张图片，分别进行预测，再把10个结果的平均值，作为网络的最后输出。

这可以有效地防止程序“发呆”，以得到更接近正确答案的预测。

不出所料，使用了这个技巧后，深度在验证集上的表现，果然改善了不少。

tp1上的正确率，足足提高了2，在tp5上的正确率，也提高了184。

不过，感觉还有进一步提升的空间。

江寒思考了一下，又对训练集图片的数值，做了，也就是主成分分析，并且对主成分做了01标准差的高斯扰动。

这样做的目的，是增加一些噪声数据，以提高模型的泛化能力。

处理完庞大的训练集后，就可以让网络重新进行训练了。

安排妥当这件事之后，江寒开始考虑学科等级的事情。

经过几天的奋战，他已经学完了化学、生物两科，在大学本科阶段的全部专业课。

单论理论上的水平，超过了绝大多数相应科目的本科生、甚至硕士研究生。

江寒打开系统看了一眼。

学科等级面板上，数学、物理、化学、生物、信息学，这五个学科全都达到了高级。

其中，信息学的经验条已经过半，距离下一个级别不远了。

不过，工程、材料、能源三科，仍然没有任何评级。

江寒思考了一下，决定在网上找一找这三个专业的教材，深入地学习一番。

然而，他很快就发现了一个问题。

所谓的工程，到底是什么工程呢？

生物工程也是工程，电子工程也是工程。

此外还有机械工程、信息工程、采矿工程、石油工程、建筑工程

不搜不知道，一搜吓一跳，工程学这个总类里，居然足足包括了21个小类，上百个专业！

然后是材料学。

化学材料、生物材料、金属材料、电工材料、材料物理

也是几乎无所不包！

能源好一些，基本也就是引力能、热能、生物能、化学能、核能

好吧，既然都是交叉学科，那就交叉着学呗。

江寒上网查找了一下，将所有涉及到这三科的书籍，汇总、整理了一下，列出了一张非常长的书单。

真的很长，足足有上千种书籍。

好在其中大多数，都能下载到或者bk资源。

江寒将这些文件，全都用极光，转换成了txt加小图片的格式，然后轮流发送到了虚拟空间中，并打印了出来。

也有部分资料，网上根本下载不到，这种情况，就只能邮购实体书了。

江寒在各大网上书店里，一顿狠淘，终于凑全了列表中的所有书籍。

至于花了多少钱，他也没仔细统计，大概估计下，怎么也得几万。