赵楠泡好茶，给每人分了一杯，“都别恭维了，来来来，喝茶。”
“正好口渴了。”陈然道了声谢，一口干了功夫茶。赵楠见他这牛嚼牡丹的样子，却一点也不心痛自己的大红袍，笑眯眯的又给他续上，还小心嘱咐，“慢点，别烫到了。”
正宗的武夷山红茶，色泽润红，清、香、甘、活，陈然喝到精华的第二、三泡，也慢了下来。
此时也有谈话的气氛，李开来就评价了陈然的那篇论文，“用混合系数结构化地扩大卷积神经网络的规模，简单高效，不仅超越了原来的精度，调参也降到原来的9.2%。”
训练一个神经网络，调参是最重要的工作，没有捷径可走，唯一的区别是，新手盲目尝试，高手靠经验，陈然则是有未来的成熟理论指导，思路清晰，手段精准。
“我记得你之前还有一篇论文，好像是《AdBnd神经网络优化算法》？”赵楠见陈然点头，就问道：“那个也可以节省大量调参时间，两者有什么区别？”
“哈哈，本质上的不同。”李开来拍手大笑。
陈然没有笑，认真解释了一句，“AdBnd是结合随机梯度下降和自适应矩估计，训练前期比较快速，后期又有很好的收敛性，对超参数不敏感。”
“混合系数缩放CNN的卷积核大小、个数，卷积层数等各个维度，主要是为了提升模型性能。”李开来抿了一口茶，再进行补充，“一个是整体架构，另一个是算法优化。”
“哦，这样啊。”赵楠尴尬了片刻，又爽朗一笑，自嘲道：“管理岗位待久了，学问荒废了不少……”
“我注意到，你论文中的卷积运算也不太一样。”李开来想了想，打了个比方，“像是压缩图片一样，对卷积进行了压缩？”
在计算机中，图像由像素点组成，用卷积核（最少3*3）比较图像邻近像素相似性，提取局部特征，比如边缘信息、颜色深浅……在运算时，传统卷积是不加以区分的。
“图像中存在大量低频信息，其实不用过多关注。”陈然举了个例子，“比如大熊猫，它身上毛色相近、背景色变缓慢的部分。压缩这些近似区域，可以减少算力消耗。”
神经网络的功能和规模成正比，隐藏层或者神经元数量增加，运算量也会线性暴增。随着AI走向成熟，算力要求也越来越高，是整个领域都要头疼的大事。
“这样一来，参数少了十倍，速度又至少是其他CNN的两倍，准确性还有提高。”李开来感慨，很是服气，“早上我看到Hintn发推宣传你的论文，影响力很大啊。”
“混合系数缩放的效果很依赖基线网络-1。”陈然自信的一笑，他在设计-1架构时，很注意简单、干净，以及迁移学习能力，为的就是广泛传播。
“我看到你对神经网络的使用，极有开创性。”自称学问不行的院长赵楠，却有独到精深的见解，“跟你之前的论文，《P对NP问题》有关联的吧？”
呃……
谈到这个，陈然就摸了摸鼻子，有点尴尬。
P对NP问题一直困扰着数学界，位列七大千禧难题之首，同时也是计算机科学领域的圣杯，关系到计算机完成一项任务的速度到底有多快。
三年前，陈然无意证明了它，还顺手投到了《数学年刊》……
说实话，陈然当时只是觉得P对NP难了点，居然卡了自己一个星期，有点意思，值得发一篇pper。
但他完全低估了千禧难题的受重视程度，不仅克雷数学研究所悬赏一百万美金，号称数学界诺贝尔的菲尔兹奖也是虚位以待，很快轰动整个学术圈，成为大家关注的焦点。
由于证明用到了多个数学领域的原理，需要各个领域的顶尖专家进行同行评审，出于学术的严谨性，暂时还没有结论……
但显而易见，辅脑就没有错误的知识！
问题是15岁，破解千禧难题……
这也太惊世骇俗了！
每每想起来，陈然都有些不堪回首，没经验啊，年少轻狂！
↑返回顶部↑