在另一個世界，曾經在標準圖像標注集Image上，取得過舉世矚目的成就。
一般的全連接神經網絡，是把輸入數據看做一維的數組。
處理圖形、圖像時，一行、一行地讀取像素點，然后拼接成一串數據。
這樣一來，就忽略了行與行之間的二維關系。
而則是通過“卷積核”對圖片進行濾波，從而提取圖片的特征。
所謂卷積核，就是一個N行N列的數字矩陣。
卷積的過程，其實就是一個壓縮圖片的過程。
而“卷積核”的本質，就是一個二維的濾波器。
這樣的做法，很好地保留了鄰近像素之間的關聯情況，所以在大型圖像處理方面，往往會有非常出色的表現。
和其他神經網絡相比，需要的參數比較少，使用起來更加迅速、有效。
在訓練時，采用的是和BP網絡相似的“反向傳播”技巧。
一個經典的網絡，通常包括輸入層、卷積層、池化層、全連接層、輸出層或者徑向基層。
其中涉及到一些概念，比如“池化”、“局部感受野”、“共享權值”……
江寒原本對這些東西，只有個大概的了解，理解得并不算特別透徹。
這樣一來，在研究的時候，很多東西都要現場推導。
因此這篇論文是他寫得最費勁的一篇，足足花了一個多星期，才打通了全部障礙，形成了初步的腹稿。
傳統的圖像處理算法，一般都要進行預處理，比如F，如果不對圖像進行壓縮，那么計算量將會非常巨大，甚至根本無法實施。
但對于來說，預處理并不是必要的，很多時候，甚至可以直接用原始圖像，作為輸入數據。
所以，的實用價值也是非常顯著的。
江寒所知道的，就有手寫識別、語音識別、物體檢測、人臉識別等許多應用方向。
“當年”震驚世界的圍棋AI程序，阿法狗，其核心中也包含了卷積網絡。
可以說，有了卷積神經網絡，計算機視覺這個領域，才迎來了革命性的進步……
江寒花了好幾天時間，終于將這篇論文寫了出來。
反復校對，感覺沒什么問題之后，就投給了一區期刊ICML（IionalferenaeLearning）。
這時，距離新年只剩下三天。
就在這樣的忙碌中，時間走到了2012年最后一天。
12月31日晚上。
江寒臨睡前，忽然發現信息欄里跳出了一行紅字提示。
【學術點已償清，系統UI重啟中……】
【重啟成功……】
【震驚商城重新激活，虛擬空間已開放……】
【界面重組中……重組成功】
江寒打開系統UI面板。
【學術點：1，24】。
可用的學術點終于不再是個負數了。
江寒欣喜不已。
然而，就在這時……
【警告：宿主剩余壽命已不足十年！】
【注意：這不是顯示BUG，這不是BUG，這不是！】