里面的一切，和上次离开的时候，毫无二致。
今天温度有点低，江寒进屋后，立即打开了两台大功率的电暖气。
足足过了半个小时，屋子里才暖和了一点。
他先查看了一下神经网络的训练情况。
前后一共上传了160多套训练方案，到现在已经全部训练完成。
服务器和五台工作站目前全都处于空闲状态。
江寒先逐一检查了一遍训练结果。
首先要看的，是在训练过程中，模型是否收敛。
如果无法收敛，就意味着神经网络构筑失败，无法通过训练进行学习。
其次要看收敛速度，这个指标影响网络的训练效率。
这次KAGGLE举办的机器学习比赛，时间上并不是十分紧张，哪怕神经网络的收敛速度稍微慢一点，也是可以接受的。
但也不能太慢了，必须在截止日期之前完成最终的训练，否则就派不上用场了。
江寒上传的代码中，包括了各种日志记录和状态监督的函数。
模型训练过程中，每进行到一个节点，都会在输出的日志中，打上相应的标记。
所以一看日志就能知道，模型是否收敛以及收敛速度如何。
检查十分迅速，江寒只用了10分钟，就淘汰掉了20多种无法收敛的，和50多种收敛过于缓慢的网络设计方案。
其实，这些方案改进一下，还有机会变成可用的，但江寒并没有急着这么做。
可选的方案太多了，这些完全可以先放在一边，等后面实在选不出来合用的，再考虑如何改造一下，“废物利用”。
现在还剩下75种方案。
这些方案都能收敛，且收敛速度基本满足需求。
所以，接下来要比较的，是模型的精准度，也就是对手写数字的识别正确率。
通过观察训练日志，江寒发现，其中大约50种方案，在训练集上表现就很普通，识别正确率不足90%。
这意味着，它们先天禀赋不足，对数据的拟合能力不强，再怎么训练，成就也有限。
第一批一共160种方案，如果比喻成160名学生的话，这50多名学生，就相当于这一届的“学困生”。
将这些方案也排除在考察范围之外，先放在一边。
还剩下22种方案，在训练集上表现较为良好，这至少说明，它们的学习能力没问题。
随后，江寒将验证集加载到这22份代码中，逐一进行测试。
这样就能通过比较，挑选出泛化能力相对较强，对陌生数据适应能力较好的方案。
神经网络训练起来很慢，但用训练好的模型对数据进行分类，是相当快速的。
所以，江寒只用了一个多小时，就将22种方案都测试了一遍，然后按照综合得分排了一下序。
排名前三的方案，在训练集上的识别正确率都不低，都超过了94%的及格线。
而在测试集上的表现，则参差不齐。
江寒仔细思考了一会儿后，先淘汰掉了得分最高的方案。
因为这个方案在训练集上，虽然识别正确率超高，接近了99%，但在测试集上表现最差，只有93%不到的准确率。
这说明模型泛化能力有所不足，产生了非常严重的过拟合。
用比较通俗的话说，这就是一个“书呆子”，只会死读书，不会活学活用。
所以只能先Pass掉。
第三名的模型，在训练集和测试集上表现差不多，都超过了95%，但相对来说，还是不够突出。
而且，泛化能力虽然没问题，可是，学习能力和其他模型相比，似乎稍微差了些。
如果有更多数据支撑，或者更多的训练时间，也许能得到一点改善，但也不十分乐观。
这就好比某些中等生，头脑其实不笨，但学习习惯和方法不够好，也不够努力。
然后在一次测试中，虽然凭借良好的发挥，暂时领先了其他中等生，但毕竟还是比不上那些真正的优秀生。
所以，江寒权衡再三，最后选择了第二个模型。
这个模型在训练集和验证集上，表现都可圈可点，双双达到了97%的理想线。
而且，江寒分析完一些数据后，感觉只要进一步提高训练强度，这个模型应该还有很大的进步空间。
这是一个天赋不错的学生，文理双修，没有短板，但并没怎么用力去学，这才输给了书呆子一筹。
这种学生只要加强训练，成为高材生指日可待，日后的发展不是书呆子可比的。
这是江寒从160套方案中，优中选优，留下来的最后优胜者。
接下来，就该对其进行地狱特训了……