用显卡？
用打游戏娱乐的显卡，去跑世界上规模最大的图像识别挑战赛？
「我花了一点时间，用CUDA重写了卷积和池化的计算核，并且设计了一套双卡并行架构。」
「因为3GB显存依然装不下整张网络，我们将QInet的神经元分别寄存在两张显卡上，它们只在特定的层，比如第三层卷积和全连接层进行数据通信，而在其他层，两张显卡各自独立计算，互不干扰。」
佩罗宁原本以为对方是靠着什麽漏洞或者运气，但现在，漆昊一步步讲解，一切又觉得十分合理。
佩罗宁主导设计的费舍尔向量算法，在图像分类领域几乎打遍天下无敌手，是全行业公认的最优解。
为了更好训练整个模型，他们甚至为此向总部申请了数十万欧元的预算，租用了欧洲最顶级的超算集群，夜以继日地进行着复杂的矩阵计算。
结果现在漆昊的方案，告诉他，他们连研究方向都选错了！
真是难以置信！
作为老牌CV学者的尊严让他不得不最後挣紮一下。
「漆昊先生！不可否认，你们的架构设计非常惊艳，但是，神经网络本身致命的缺陷之一就是平移不变性极差，ImageNet中的目标物可能出现在图片的任何角落，尺寸也千差万别。」
「QInet：是如何在如此庞大的参数量下，保证不会因为目标物的位移，旋转或者光照变化，而出现分类崩塌的？」
漆昊解释了：「这其实我们在=训练中改进的。」
「QInet在数据预处理阶段进行了数据增强。」
「面对位移和尺寸变化，我们没有去试图修改网络本身，而是对数据源动手。」
「在训练阶段，我们把原本256256像素的图片，随机裁剪出224224的图块，并且进行水平翻转。」
「不仅如此，在测试阶段，我们对於一张待测图片，会同时裁剪出其四个角，中心区域以及它们的水平翻转共10张图块，让QIet分别进行预测，最後将这10个预测结果进行平均，作为最终的输出。」
「不是，这还是计算机学吗？」
「这是数学。」
「举个例子，现在我将裁剪图片出四个角和中心，加上水平翻转，得到10个不同视角的图块1，2，.·，10。」
「在这10个图块里，猫的相对位置全都不一样，左上角那张，猫跑到了右下，右下角
本章未完，请点击下一页继续阅读！