经过仔细斟酌，江寒确定了“优胜者”模型。
随后，他就开始考虑，如何进一步优化这个网络的性能。
像是网络的主体结构、权重初始化方案、数据正则化的方法、激活函数的选择……
这类关键因素，在之前的第一轮训练中，就已经确定了下来，无需再做调整。
但除此之外，可以优化的地方依然不少。
比如稍微改变一点学习率，少量增加或减少隐藏神经元的个数，微调一下MiniBatch的大小……
这些都有可能对网络的性能，产生微妙的影响。
而且，每一点细微的调整，会产生什么样的效果，不实际训练、测试一番，是无法预估的。
所以接下来，江寒将“优胜者”代码复制了100份。
这样一来，这个“优胜者”就拥有了100多个“双胞胎兄弟”，或者说：分身。
随后，他就采用不同的方案，对这100多份代码，逐一进行了微调。
等到进行完第二轮训练后，从中再次选出唯一优胜者。
有点类似“养蛊”。
策略已经定下了，但江寒并没有马上开启第二轮训练。
他还打算再做一个比较重要的实验，那就是增广数据。
KAGGLE官方提供了20万条训练数据，理论上说，对于绝大多数机器学习模型，这个数据量已经足够使用了。
但谁会嫌弃数据太多呢？
能提供的数据越多，神经网络的学习效果就越好，训练得越充足，性能自然也就越强。
反正一般来说，不会变得更糟。
所以，何乐而不为？
所谓数据增广，就是在不改变图像类别的前提下，人为地扩充数据。
这样做，常常可以有效地提高模型的泛化能力。
常用的数据增广方式，包括水平翻转、旋转、缩放、平移、裁剪、颜色抖动……
当然，也可以将多种操作组合起来，从而获得更多的数据。
例如，同时做小角度的旋转和随机尺度变换，再微调一下像素在HSV颜色空间中的饱和度、亮度、色调……
江寒很快用Python编写了一份代码，对训练数据集进行了扩充。
原本的18万条训练数据，经过各种运算，足足演变出了将近200万条数据。
这样，第二轮训练终于可以开始了。
江寒将100个“优胜者”分身依次启动。
随后，他琢磨了一下，又将刚才排名前15的模型，全都拉了过来。
包括上次排名第一的“书呆子”、排名第三的“黑马中等生”，以及排位在4~15名的“其他学生”。
反正算力够用，索性再给这些准“优秀生”一次机会，看看它们在增广数据集上，又会有怎样的表现。
当然，在开启第二轮训练之前，第一轮训练出来的权重数据，必须先备份一下……
将这里的事情全部处理利索，时间已经接近中午11点。
江寒当下锁门离开。
先去接夏雨菲放学，再顺便做一顿丰盛的午饭。
除了正常的两菜一汤，他还额外加了一道“红烧冰岛红极参”，以慰劳自己操劳过度的大脑。
……
下午和晚上，江寒没有出门。
主要在家看书、找资料，学习各种逆向、破解、黑客知识。
想要继续领悟《数字混淆技术》，比较依赖数学水平和逆向技术。