第53章 显卡根本不是用来玩游戏的！（1 / 2）

老板说：「这卡算是卡皇级别的，这玩意打游戏效果非常好，你拿回去试试，如果不喜欢，拆下来退给我也行。」

苏舟看着配置单上的数字，心里默默地算了一笔帐。

整套下来五千一百块，减去旧机回收和三百块优惠，实际付四千二百二十块，手里还能剩一千八百一十块。

「成交。」苏舟爽快地说。

老板干活很利索，拆包丶装机丶走线丶理线丶装系统丶导旧电脑数据，一气呵成。

苏舟就站在旁边看着，偶尔递个螺丝刀，两人有一搭没一搭地聊着。

装好之后点亮测试，BIOS界面跳出来的那一刻，苏舟的眼睛亮了。

到家的时候已经是下午两点。

苏舟把新主机连上显示器和键盘，按下电源键，风扇转起来的声音都不一样了，旧电脑开机像拖拉机启动，这台听着根本没什么声音。

心情大好的苏舟装完开发环境后，闭上眼睛，在脑海中把整个神经网络的架构从头到尾过了一遍。

罗森布拉特给的红包在这一刻发挥了最大的作用。

苏舟脑子里面出现了一个从输入到输出的完整信息流动过程，每一层感知器接收信号，处理信号，传递信号，都像人类大脑中神经元的层层递进。

他打开编辑器，开始写代码搭建最基础的感知器模型。

这是罗森布拉特当年的起点，也是一切神经网络的根基。

一个感知器本质上就是一个函数，接收多个输入，乘以各自的权重，求和，再通过一个激活函数决定是否激发。

就像人脑中的一个神经元，电信号进来，强度够了就放电，不够就沉默。

苏舟用休学期间学到的C语言写了一个最简单的感知器，输入是两个数，输出是0或1。

跑了一下，能用，但毫无意义，一个感知器连复杂一点的运算都解决不了。

现在他需要把感知器叠起来。

单个神经元什么也干不了，但几十亿个神经元连在一起就成了人脑。

同理，单个感知器没用，但把成百上千个感知器排成层，层与层之间全连接，信息从输入层流向隐藏层再流向输出层，这就是多层感知器，也就是最基本的神经网络。

这个过程需要大量的矩阵运算。

每一层的输出都是上一层输出乘以权重矩阵再加偏置，然后过激活函数。

苏舟在纸上推了一遍矩阵，确认没问题后，开始编码。

莱布尼茨的万象归析技能在这里帮了大忙。

矩阵运算的本质是线性变换，线性变换的本质是空间映射。

苏舟不需要死记硬背公式，他能凭直觉想像数据的处理过程。

网络搭好了，但权重是随机初始化的，输出全是垃圾。

怎么让网络学习呢？

答案是反向传播算法，先算输出和正确答案之间的误差，然后把这个误差从输出层往回传，逐层计算每个权重对误差的贡献，最后按贡献大小调整权重。

这里就是微积分大展身手的地方了。

反向传播的核心是链式求导，也就是一层套一层的偏导数。

这东西写在教科书上能让研究生抓头发抓秃，但在苏舟眼里，链式法则就像一条河流倒着流，水从下游往上游涌，每经过一个分叉口就按比例分流，最终每一滴水都能追溯到它对水位涨落的贡献。

三重技能叠加之下，代码写得异常顺利。

到晚上八点，苏舟已经搭好了一个三层全连接神经网络，输入层784个节点，对应28×28像素的手写数字图片，隐藏层128个节点，输出层10个节点，对应0到9十个数字。

他从网上下载了手写数字数据集，六万张训练图片，一万张测试图片，灌进去，按下回车。

屏幕上的数字开始滚动。