具相结合。至于具体的应用场景么……那就属于商业机密了，恕我无可奉告。”
“卷积神经网络的新用法？”
史蒂芬库克教授一愣，但很快冷静下来，他可不是一个概念就能忽悠住的。
“看来，顾先生要论述的重点，就在于‘卷积’上面了？”
“没错，如果没有‘卷积’，仅有‘神经网络’，我们依然没法讨论近似于人脑判断的模糊问题。”顾诚一副成竹在胸的样子，似乎对对方的反应早有预判。
他打开电脑，接上投影仪，屏幕上出现了一张猫的图片。
“我用图上这只猫举例子——尽管这只猫一只耳朵竖着一只耳朵折了，眼珠瞳孔也有点不正常，尾巴还特别短，毛色肮脏还和照片的背景色非常接近，但我作为一个人类，还是一眼就认出了这确实是一只猫。
现在，我用我根据辛顿教授的阀值思想编写的自学程序，用机器对这只猫是否是猫进行初次预判。在这个算法里，我们预构了3个组合特征量，比如‘猫眼’、‘猫耳’‘猫毛’、‘猫尾’……然后用三十个神经元单位的处理资源，分别针对每一个组合特征量进行预判，然后分别给出结果。
在这三十个神经元单位内部，我们再根据‘本图猫眼与本神经元见过的猫眼’之间的像素相似度作出判断，给出一个积值，从而得到‘这有85概率是一只猫眼’或者‘有7概率是一只猫耳’之类的参考量。最后，把这3个组合特征量按照默认：的权重进行组合，最终平均分高于6分就判定‘这是一只猫’。”
“那成功率肯定很可怜。”库克教授耸耸肩，一脸的悲悯。
“当然很可怜，因为我的实验才开始呢——做到这一步，并不是要让机器判断正确，而是在机器判断完之后，让人眼再复查一遍。如果机器和人的判断结果一致，那么就给目前的特征量分组方式和每个特征量的权重比例数组加分。
然后，再判断下一次。如果还对，再加一分。直到判断错了，然后就自动对现有权重比例数组作出调整：比如，此前判断正确的两次‘平均
本章未完，请点击"下一页"继续阅读！ 第4页 / 共6页