葉曉奇不知道跑哪去了，倆人一起失蹤了。

這次徹底是對公司的事情撒手不管了，為期半個月，電話不接，短信不回，沒人知道他倆去哪了。好在提前說明了的，否則早就有人報案了。

跟隨著光刻機一起的龍井和依久美也回來了，理所當然的，不受龔賽剛待見的香取綾，就直接被塞給了這倆人。

而香取綾的口音問題，也得到了極大的改善，這得益于龍井傳授的一個秘訣：含著石頭說話。

這是李陽瘋狂英語的招數，但是對于舌頭捋不直的香取綾卻是一副特效藥。

香取綾含的石頭也不是普通的石頭，乃是一顆不算差的瑪瑙，花了香取綾好幾萬呢！

本來香取綾是不打算買這么貴的東西，這些日子借宿在龔總的家里，也沒個穩定收入，雖說生活費每個月都會下撥到自己新辦的招行的卡里，可是自己本質上還是個窮人。房子沒到手，獎金也沒發下發，職位也沒安排，就那點生活費，除了吃飯還要添置化妝品和衣物，何止一個“慘”字了得。

但是，路邊撿的石頭實在太惡心了，哪怕清洗了幾百遍，又拿鹽水泡了好幾天，仍然覺得有些惡心。直到香取綾走在路上，看到一只狗撅著屁股拉了一泡熱翔，而后吐的稀里嘩啦的時候，就再也無法忍受了，直接跑到商場，拿出了棺材本，買了這顆被店員稱之為“北斗”的瑪瑙。

幾萬塊錢的石頭雖說也不算什么好石頭，但是香取綾還是一廂情愿的認為：至少這個干凈。

再貴一些的，買不買得起另說，就說那個包漿，好像更惡心，萬萬不肯含在嘴里的……

“龍井君，社長什么時候回來啊？你看我這話說的怎么樣，達到入職標準了嗎？龔總說，具體職務得找葉老板簽字，龍井君，你看我選什么職務比較合適？”

沒事干，整天除了學說話就是學說話，無聊至極的香取綾見到宮崎龍井就是個問題寶寶，專業批發十萬個為什么。

龍井對此也認命了，仨人已經事實上被當做了一條繩子上的螞蚱，都這時候再去計較出身問題，已經沒有意義了。

龍井耐著性子回道：“跟你說了多少遍，以后不要叫社長，這是不禮貌的行為，要叫董事長或者葉總都行。你現在啊，還差的遠，好好練吧。是你的就是你的，反正你都說了，龔總都帶你看過房子了，它還能自己長腿跑了不成？風林火山懂不懂？”

“哦……”香取綾見龍井有些不高興，于是只好騷擾依久美，“依久美，你說，我選哪個崗位合適……”

龍井不高興的原因沒別的，老板不在，這次出差該拿到的提成還沒給呢！理論上該是財務下發的，結果財務主管卻是老板娘，也一起跑了！所以這些天聯系不上老板，龍井的臉一直都是臭臭的。

……

卻說另一頭，劉浩然還在賣力的寫著關于高斯模糊的代碼，已經進入到最后的代碼調試階段了。

其實代碼已經按照小冊子上的步驟寫完了，只是參數設置的有點不對，好好的圖形模糊，硬是做成了……

“哈哈哈，浩然你小子，人家姑娘明明穿了衣服，你這是啥？哈哈哈，打碼！騎兵，哈哈哈……”

劉浩然回頭一看，卻是韓宇不知道什么時候出現在了自己身后，剛剛太投入了，沒留意。

“韓哥……你寫完了？”

“我？”韓宇止住了笑，一本正經回答道，“嗯，寫完了寫完了，這會兒有點bug，來看看別人做的怎么樣了。”

說完韓宇一溜煙的就回到自己的位置上，開始頭疼自己遇到的問題。

具體的代碼，小冊子上沒寫。神經元的大小，卷積的步長，小冊子上給了例子，代碼卻是一個也沒有。劉浩然完全照搬了例子，找了一張圖片做測試，然后就做成了打碼……

而韓宇遇到的問題則是，卷積設置的太小，以至于最終拼接的時候，圖片如果過大的話，電腦會反應很慢，CPU占用率幾近100%！

“到底哪里不對呢？”倆人都在想著各自的問題。

圖片模糊和圖片打碼其實是一回事，都是對卷積核和卷積云做平均值處理。這是機器視覺的第一步，被稱之為預處理，其目的是降低圖片的復雜度和最終計算量。

而不同于小冊子介紹的單核卷積，圖片的卷積過程其實是個多核卷積。這個過程是立體的，立體并不是指的空間上的立體，圖片再怎么立體，它終究是個二維對象。這種立體指的是色彩上的立體，所以通常的圖形卷積過程都是三核卷積。

眾所周知，紅黃藍是三原色，而對于計算機來說，三原色則是紅藍綠，通常用rgb(red，greed，blue)三個0～255之間數值來表示，每個顏色的組成部分都被稱之為通道。

所以圖形的卷積過程，其實就是對三個通道分別做處理，這就是三核卷積。因而，它是立體的。

這倆人已經算是很優秀了，許多人在面對這一步轉不過彎，腦子里無法構建出應有的卷積模型。

鄧助理本來是打算開小灶，打算等將來學到了本事，就去求龔塞剛把自己也塞到這個項目里。也是卡在了這一步，因而直接放棄了。

人和人，終究是不一樣的。

剛才說了三核卷積，那么就好解釋為什么機器視覺會是個黑盒模式，為什么無法用語言來解釋機器視覺的特征庫里的數據含義。

因為計算機最終拿來做對比的部分，是已經做過預處理的這些圖片，分割成的一個個小塊。

某些需要單通道計算的模塊，識別老王是不是老王，可能只是看“老王頭上多少綠”。(green，0～255)

實際上整個流程更為復雜，卷積、池化、激活等步驟會經過多次反復的交替執行，最終才能實現學習或檢測的目的。

而學習和檢測也是不一樣的，為了防止過擬合，使計算機的結果更為普世化，“學習”的過程中還會有drop層這一步驟。

舉個不太恰當的例子，一個人素顏和化妝的兩張差別比較大的照片，人類設定好參數告訴計算機這是同一個人(監督學習)，計算機必須drop掉化妝那部分的特征后，才能把這兩個圖片當做同一個人。

當然了，drop是隨機的，人類只要求得到符合目標的隨機結果，因此這個drop可能也要進行成百上千次乃至上萬次，才能隨機出人類想要的結果。

所以，這里的計算量是相當大的，也就有了使用GPU的必要性。

GPU就不用多說了，如果把CPU比做老板，GPU就是這個公司里最擅長計算的員工。

GPU非常適合做圖形處理和大型計算，顯卡里面配置的就是GPU。只是這個GPU是閹割過的，不太適合AI使用，正常的GPU市面上根本買不到，因而才需要侏羅紀去自己設計和小批量的制造。