“妈，今年我就不回去了，顺利的话明年年初回去看望你们。”
“我不是在外面瞎玩，休学也不是退学，您二位别紧张哈，我知道我在做什么。”
“也不用给我打钱，我也不是在创业，只是这段时间需要集中精力解决一些问题。就今年底，您放心，就今年底。如果不成功，您说什么我都听您的。”
“好，好嘞，记得叫老爸多出去运动，你们注意身体哈！”
“回，回去。过年的时候一定回去。”
挂了电话，孟繁岐靠在墙上，长长地叹了一口气。
这些事情实在跟父母解释不清楚，若不是因为担心付院长会出手相助，他原本是不打算去办休学的。
现在父母了解到如今的情况，肯定是忧心忡忡。最近几次通话，不管自己怎么说，父母总是没法放下心来。
孟繁岐只能靠着年底的期限安抚他们一下，承诺只要今年不能取得杰出的成果，就什么都听他们的。
看着房间里幸灾乐祸在调参的唐璜，孟繁岐没好气道，“笑什么笑。”
唐璜瞬间做出一个严肃认真的表情，但不论怎么看都带着三分阴阳怪气的感觉，让人很是不爽。
------------------------
这天的迟些时候，孟繁岐收到了阿里克斯的回复，看了眼时间点，阿里克斯应该是一起床就回复了邮件，可以说是相当勤奋了。
这个时间点已近临近今年赛事快要开始的时刻，不过阿里克斯本人其实没有计划继续组队参与本次的赛事。
只是哥虽然不在江湖，江湖却到处都是哥的传说。
13年的微软研究院队伍，新加坡国立大学队伍，和贾扬清领衔的Decaf，UC伯克利等队伍，都深受阿里克斯去年思想的影响。
根据阿里克斯介绍的办法，孟繁岐很快调试完成，顺利将批归一化，Adam优化器等操作从自己实验的环境迁移到cuda-convnet框架上，做了一些调整和适配。
没过过久，便已经在CIFAR-10上运行了起来。
接下来便是本次参赛的最核心竞争力，残差网络在这个框架上的实现。
“今年的IMAGENET挑战赛其实没有什么太多的新想法，大家基本上都是以复现阿里克斯的算法为主。”
孟繁岐当然不准备和其他队伍一样，基于阿里克斯的框架去重新实现阿里克斯去年的参赛算法，早期的许多算法在参数量和计算量上都有很大的冗余。
“谷歌的GoogleNet和牛津的VGGNet原本要明年才能研究出来，不过我今年参赛之后，这两个AI历史上的重要网络恐怕就要胎死腹中了吧？”
别说是现在了，截止到14年末，多余的设计仍旧大量存在与谷歌和牛津大学的算法当中。
直到15年，那个男人以残差网络ResNet夺冠ImageNet-2015，铸就了深度学习时代的AI模型的神格。
残差思想是孟繁岐此时此刻的最佳选择，一方面它会成为深度学习时代的里程碑，因为它的核心思想，就是如何把深度网络做得更加‘深’。
另一方面，它的实现和结构简洁，抛弃了大量人类看来很有道理和价值，但实际上其实用处不大的设计。
将简洁好用的结构反复重复，这也大大地降低了孟繁岐所需要的开发工程量。
AlexNet是八层的结构，各自有一些独立的设计，在此时，8层已经是革命性的深度网络了。
更深的网络特别难以训练，因此原本直到14年，谷歌和牛津才分别把这个深度推进到22层和19层。
而ResNet的思想，彻底从根本上解决了网络变深就没法顺利训练的问题。它让50，100，150，甚至1000层网络的训练成为可能。
“从去年的8，到今年的100+层，甚至1000层也可以训练。在2013年的视角来看，这一剂猛药应该够劲了。”
不仅是深度上取得了开创性的突破，ResNet的性能也同样惊人。它是第一个Top-5错误率低于人类能力的结构，单模型达到了4.6%左右。
如果综合几个不同方式训练的ResNet，平均他们的输出再去预测的话，其TOP-5错误率甚至低至3.7%。
“其实在IMAGENET上做得太准了反而是一件怪事。”考虑到后世的研究中，该数据集中的标签其实有不小的比例是错误的，越贴近百分之百的准确率反而越有一些荒诞的感觉。
ResNet的Res指residual，正经点说是残差，说得明白一些是一种短路或者是跳跃链接。
再说的浅显一点，假设原本的操作为f(x)，ResNet就是把计算过程从f(x)改为f(x)+x。
这也是孟繁岐最早与付院长讨论的内容之一。
这种不带任何参数的支路链接，直接把操作前的内容加到操作后的内容上，是深度网络突然能够在上千层的深度下收敛的秘密所在。
这章没有结束，请点击下一页继续阅读！