您可以在百度里搜索“重生学神有系统 热门小说吧()”查找最新章节！
江寒挂了电话，沉吟不语。
老江关切地问：“没谈妥吗？”
江寒摇了摇头，叹了口气：“谈下来一半。”
“一半？”
江寒点了点头：“大江入驻高新区，问题不是太大，只是时间上……最快也得排到下半年了。”
周市长虽然对自己印象很好，但在原则问题上，一点也不肯松动。
这就没办法了。
江寒和老江研究了一下，最后还是决定出去租写字楼。
但说实话，就算找得到理想的地方，只怕一时半会儿之间，也很难办妥，更要多掏不少钱。
正说话间，夏如冰来上班了。
不知不觉之中，她已经恢复了原本的明艳，精神状态更是十分良好。
一见面，夏如冰就笑吟吟地打招呼：“老板早，江总早！”
江寒洒然一笑：“早！”
老江也儒雅地点头：“夏总早。”
江寒打量了夏如冰一眼，忍不住旁敲侧击了一句：“小姨啊，看您的气色，这几天好像心情挺不错？”
夏如冰嫣然巧笑：“是啊，闲了这么久，总算有点事做，当然开心了。”
江寒：“……”
这么敬业的吗？
但他关心的，其实是她和老易俩人，到底有没有和好……
“刚才你们两个，一本正经的，到底在研究什么？”夏如冰问。
江寒将打算租楼的事情，跟夏如冰说了。
夏如冰明媚一笑：“这事儿好办啊，盛夏这栋楼里，不是还剩不少地方吗？反正这么多地方，他们也用不了，稍微挪动一下，腾出一层、半层楼，问题应该不大。”
江寒无语一秒：“这样不太好吧？”
夏如虹能给自己两件办公室，加地下的机房，已经很难得了。
如果再得寸进尺的话……
夏如冰笑了笑：“这样吧，我打个电话问问，如果盛夏那边不方便，咱们再另外想辙儿。”
江寒考虑了一下，点了点头：“也行，不过……别让夏阿姨为难。”
“那当然。”
夏如虹答应了一声，又说：“老板，一会儿会有不少人来应聘，你要不要把把关？”
江寒洒然一笑：“好！不过我只负责技术人员，其他的职位，还要你和老江自己决定。”
距离面试开始，还有一个多小时。
江寒想了想，来到了隔壁。
这个实验室布置好之后，一直没怎么用，今天正好试试机、找找感觉。
这里配备了两台相当先进的电脑，和地下机房里的服务器直连，通过这两台终端，就可以方便地操作服务器。
前天，江寒为了制作ocr软件，批量打造了上千个人工神经网络。
其中绝大多数，都拥有一模一样的网络结构，只是引入的训练数据不同。
这样训练出来的模型，也就只有权重参数上的区别……
经过两天的训练，这些网络已经完全训练完毕。
江寒将这些网络，组合到了一起，再套上一层事先准备好的，用vc++编写的简易ui。
很快，ocr软件就初步成型，可以投入使用了。
江寒思考了一下，命名为“极光ocr”。
至于这个名字的含义……其实他没想那么多，就是觉得挺顺口的。
然后，他又将源代码和可执行文件，全都用u盘拷贝下来，带走。
这样晚上回家后，就可以正式启动那个计划，在虚拟空间里畅快地学习了……
随后，江寒进入了虚拟空间。
他为i比赛编写的代码，还有相关的论文草稿，就保存在286电脑中。
江寒很快将这些东西，发送到了外面的电脑中。
然后又打开手机，把昨晚下载的训练数据、校验数据，也传送给这台终端电脑。
程序有了，数据也有了。
江寒又进行了一番算不上辛苦的调试，深度卷积神经网络终于基本成型。
但在开始训练之前，还有一点工作要做。
这个深度cnn，所拥有的参数实在太多了，哪怕原始数据有足足12万多条，也很很容易发生过拟合。
所以，为了提升泛化能力，有必要做一下数据增广。
数据增广的方案有许多。
江寒思考了一下，选择了一种新方案。
原始图像是256x256的分辨率。
江寒设计了一个程序，从中随机扣出来224x224大小的区域。
每张原始图像，都有(256-224)^2=1024种不同的扣法，这样一来，就相当于将原始数据增广了1024倍！
接下来，他又将得到的图像，全都水平镜像一次，就得到了等于原始数据2048倍的超大数据集合。
增广完数据，江寒还觉得不够保险，为了进一步提高算法的效能，他决定对网络中用到的超参数，进行一些优化。
以前他也做过人工神经网络超参数的优化，但那时采用的手段，主要是手动修改超参数，然后人工分析、比对。
看修改了某个超参数后，网络的表现是上升了还是下降了，从而找出较为优秀的模型。
不用说，这种做法最大的缺陷，就是效率实在太低。
江寒在这次的比赛中，决定使用一种新技术。
这是他前一阵子，煞费苦心设计出来的方案，代码复杂度令人发指。
好在他的脑子够好用，在消耗了大量心血，吃掉了无数冰岛红极参之后，终于是开发成功了。
功能很简单，就是自动对超参数进行搜索、优化，以找到结构更合理、性能更好的人工神经网络。
江寒为这门技术取名assp（autosearchforsuperparameters）。
当然，其实就是“搜索超参数”的英文直译……
assp的原理很简单，就是包装在人工神经网络模板外层的一个“壳”。
通过一个调度函数，在训练神经网络之前，先按照事先确定的规则，微调某些超参数。
每当完成一轮训练，还会按照既定的规则，从各个方面进行评分。
比如，在梯度下降的过程中，模型是否收敛、收敛速度如何？
不能收敛的网络，根本无法训练，也就毫无价值，如果收敛速度过慢，训练起来也会缺少效率。
此外，网络模型在验证集中的表现，泛化能力、识别准确度、网络的稳健性……
最后，将每次训练完成后，人工神经网络的综合得分，从高到低排一下序。
江寒通过最后生成的表格，就可以选取合适的超参数组合了。
为了让这个超参数搜索程序，获得更高的工作效率，需要先指定超参数的搜索范围。
范围太大的话，会导致搜索时间过长，可能会等不及出结果；如果范围太小，又很可能找不到合格的超参数取值。
这个搜索范围，可以看做sfsp的超参数，只能凭经验设定。
好在江寒已经训练过许多次人工神经网络，有着十分充足的经验。
他将assp和深度cnn的代码融合之后