还能不能愉快地做同学了，你们几个不带这么装比的。”

林灰刚好也不愿意在分数上多聊。

趁此机会岔开话题：“对了，话说你们都想好报什么志愿了么……”

刘繇：“

我这个分数想去清北的话有点悬。

估计只能去京大医学部。

要是去京大医学部的话，估计铁定是做医生了。”

林灰心道，这可不一定。

学医的还真未必做医生，还有可能跑去卖医疗器械。

极端点的情况甚至会出现一届学生中一半做医疗器械。

一半同学推销另一半同学做的医疗器械

医疗器械什么的以后有余力倒是可以搞一搞。

不过这不是林灰暂时的打算。

暂时林灰要做的只有两件事。

一、通过各种手段赚取足够多的启动资金。

二、获得一定的学术上的地位从而获取学术话语权。

关于未来的规划。

林灰其实已经在稳扎稳打地向前推进了。

尽管现在步子还不是很大。

但其实并不慢。

林灰现在搞得那个生成式摘要算法已经有所成就。

生成式摘要算法是林灰入局的敲门砖。

/*对技术无感的括号内容可以直接跳过去

（之所以以此入局，是因为自然语言处理这东西之于神经网络学习

很像是数论之于数学。

数学里的数论你不能说它不重要。

但是门槛是真的低。

当然数论门槛虽低，但上限却很高。

而自然语言处理的门槛也很低。

毕竟涉及到语言这东西，谁都会语言。

因此自然语言处理门槛也很低。

门槛低代表着即便林灰入局也不会被太在意。

而NLP神经网络虽然门槛低。

但和数论一样，上限很高。

上限很高意味着什么呢？

意味着将来可以轻松破局！）

而林灰打算怎样破局呢？

生成式摘要算法本质上是深度学习发展的产物。

而现在这个时间节点。

却只有神经网路识别。

没有真正意义上的深度学习。

林灰很清楚打开真正的深度学习的钥匙是什么？

残差神经网路。

（这个概念是前世在2015年由Microsoft某研发团队提出的。

残差神经网络是一种残差学习框架来减轻网络训练。

和以往的神经网络架构不同。

残差神经网路的架构将层变为学习关于层输入的残差函数，而不是学习未参考的函数。

经验证据证明这些残差网络很容易优化，并可以显著增加深度来提高准确性。

林灰记得，前世的研究小组在ImageNet数据集上评估了深度高达152层的残差网络。

这个152层的深度要比现在这个时空主流的深8倍。