第52章 “感知機(jī)”的初次實(shí)戰(zhàn)

　　業(yè)余黑客有個(gè)潛規(guī)則。

　　政府機(jī)關(guān)、金融系統(tǒng)、電子商務(wù)……這類網(wǎng)站的后臺(tái)，是機(jī)密重地，通常有高手坐鎮(zhèn)，沒事最好別去溜達(dá)。

　　被網(wǎng)監(jiān)或者安全專家盯上，十有八九落不了好。

　　而個(gè)人網(wǎng)站、小型辦公網(wǎng)絡(luò)、學(xué)校網(wǎng)站……

　　這種信息安全不太敏感的，僅僅是瀏覽或下載一些數(shù)據(jù)，一般不會(huì)有什么大問題。

　　比如從鐵道部官網(wǎng)12306爬點(diǎn)數(shù)據(jù)，做個(gè)輔助訂票系統(tǒng)什么的……

　　但無論任何地方，肆意破壞總是不被允許的，這是底線。

　　《原始數(shù)據(jù)表》的奇怪情況，身份證位數(shù)不對(duì)，側(cè)面支持了這種可能性。

　　通過黑客手段獲取數(shù)據(jù)，有時(shí)候會(huì)遇到一些匪夷所思的問題，比如數(shù)據(jù)格式特殊，下載的數(shù)據(jù)寬度受限……

　　有時(shí)候，甚至在后臺(tái)數(shù)據(jù)庫(kù)里，只能找到數(shù)據(jù)的一部分，而其余部分被保存在無法訪問的文件里。

　　寫后臺(tái)程序的人，會(huì)基于各種各樣的理由，寫出可讀性極差的代碼。

　　比如：讀寫效率、數(shù)據(jù)安全、修補(bǔ)bug、系統(tǒng)健壯……

　　又或者不想被人繼承代碼，取代自己的位置，甚至單純?yōu)榱藗€(gè)人興趣、編程風(fēng)格……

　　都可能導(dǎo)致這些人，搞出種種令人費(fèi)解的騷操作。

　　當(dāng)然，也可能老高的技術(shù)還有缺陷，或者他是從虛擬內(nèi)存、交換文件里挖掘出來的數(shù)據(jù)。

　　也有可能在“作案”過程中被人盯上，不得不提前斷開連接……

　　總之，擺在江寒面前的，就是這么兩張各有缺陷的表格，外加一個(gè)圖片壓縮包。

　　接下來，江寒首先要做的，是從《原始數(shù)據(jù)表》里，篩選出需要的記錄，復(fù)制到《報(bào)名信息表》里。

　　這一步非常簡(jiǎn)單，只要用excel自帶的VBScript編寫一個(gè)小腳本，將兩個(gè)表格按照姓名匹配，就可以得到每個(gè)考生在原始表里的行號(hào)。

　　當(dāng)然，同名同姓是避免不了的，可能報(bào)名信息里一個(gè)“張三”，在原始數(shù)據(jù)里會(huì)找到一堆“張三”……這個(gè)一會(huì)兒再說。

　　腳本編程非常簡(jiǎn)單，江寒只用了二十分鐘，就寫完程序并調(diào)試無誤。

　　按了一下預(yù)設(shè)的快捷鍵，腳本開始執(zhí)行。

　　一邊是3萬多行的考生姓名，一邊是10萬多行的原始數(shù)據(jù)，腳本足足跑了八分鐘，才得到了一個(gè)映射關(guān)系表。

　　接下來，是第二個(gè)腳本，參照映射關(guān)系表，將原始數(shù)據(jù)文件篩選出需要保留的行，其他行全都刪除，然后按照《報(bào)名信息表》的序號(hào)，重新進(jìn)行排序，得到臨時(shí)文件1。

　　這個(gè)臨時(shí)文件的行數(shù)，要比報(bào)名表多出幾千行，這是因?yàn)榻畬?duì)重名進(jìn)行了處理，將重名的人都編上了相同的二級(jí)序號(hào)。

　　接下來處理重名。

　　經(jīng)過一番分析，江寒發(fā)現(xiàn)，原始數(shù)據(jù)表和報(bào)名信息表里的數(shù)據(jù)，排列順序是有規(guī)律的。

　　其以地區(qū)為主關(guān)鍵字，所在學(xué)校為次要關(guān)鍵字，而所在班級(jí)則是第三關(guān)鍵字排序。

　　也就是說，一個(gè)學(xué)校里，一個(gè)班級(jí)的人，都挨在一起，學(xué)校、地區(qū)之間也沒有混亂。

　　這樣就好辦了。

　　由于臨時(shí)文件已經(jīng)按序號(hào)排列，重名的人擁有同樣的二級(jí)序號(hào)，自然就聚攏在了一起。

　　這時(shí)，只要看一下這些人的所在地區(qū)和學(xué)校，就能輕松分辨出哪些是多余的，那個(gè)才是真正對(duì)應(yīng)于《報(bào)名信息表》的。

　　如果一個(gè)班級(jí)也有同名，就只能具體情況具體分析了，實(shí)在確定不了的，就先記下來，放在一邊，以后再說。

　　一番整理后，臨時(shí)文件1已經(jīng)十分接近高老師希望得到的《報(bào)名信息表》。

　　聯(lián)系電話、家庭住址，畢業(yè)學(xué)校、班級(jí)、民族、年齡、出生年月日都有了。

　　接下來是重頭戲，通過照片判斷每個(gè)學(xué)生的性別。

　　幸運(yùn)的是，雖然《原始數(shù)據(jù)表》里的身份證號(hào)，殘缺不全，導(dǎo)致性別信息不可用，可是《報(bào)名信息表》里還有部分殘余的性別數(shù)據(jù)。

　　這就給江寒減少了許多負(fù)擔(dān)。

　　接下來，先將照片.rar解壓，然后觀察了一下。

　　三萬多張照片，按學(xué)校、班級(jí)分類，放入幾千個(gè)文件夾中。

　　每個(gè)文件的大小，都在10KB至30KB之間。

　　像素只有210*120，不算特別清晰，但看清面部特征，還是沒什么問題的。

　　其中，同班級(jí)里重名的情況，都在姓名后標(biāo)記著數(shù)字1、2……

　　江寒猜想，這可能是輸入報(bào)名表的順序。

　　接下來要做的，就是在臨時(shí)文件1里，找到每張照片對(duì)應(yīng)的人。

　　這很簡(jiǎn)單，照片的文件名就是姓名，輕松就能和表格里的名字對(duì)上。

　　在解決了數(shù)量不算很多的同班重名問題后，就生成了一個(gè)照片索引，將每一張照片和報(bào)名序號(hào)一一對(duì)應(yīng)上了。

　　然后，是判斷性別，填入新《報(bào)名信息表》對(duì)應(yīng)的單元格里。

　　這一步，按照高老師的想法，就是一個(gè)笨功夫，用眼睛去看，然后一個(gè)一個(gè)敲進(jìn)去。

　　這十分麻煩，而且太沒效率。

　　江寒希望能找個(gè)輕巧的辦法，能更快、更好的完成這一步。

　　那么，這樣的辦法真的有嗎？

　　是的。

　　江寒畢竟搞過機(jī)器學(xué)習(xí)，編程思維有點(diǎn)不一樣。

　　高老師那樣的普通程序員，也能做到剛才那些步驟。

　　但江寒接下來的操作，就是他的思維盲區(qū)了。

　　機(jī)器學(xué)習(xí)里，有多種算法，都可以輔助完成這樣的任務(wù)。

　　其中江寒最擅長(zhǎng)的，自然是人工神經(jīng)網(wǎng)絡(luò)。

　　人工神經(jīng)網(wǎng)絡(luò)也分為好多種類。

　　比如CNN，也就是卷積神經(jīng)網(wǎng)絡(luò)，是最擅長(zhǎng)圖形識(shí)別的；

　　而RNN，也就是循環(huán)神經(jīng)網(wǎng)絡(luò)，比較適合語音識(shí)別、自然語言理解……

　　如果采用人工神經(jīng)網(wǎng)絡(luò)，哪怕不出動(dòng)CNN，只用多層神經(jīng)網(wǎng)絡(luò)，也就是所謂的“深度學(xué)習(xí)”，也可以非常完美地解決這個(gè)問題。

　　但江寒琢磨了一下，還是放棄了這個(gè)想法。

　　一旦泄露出去，他很可能會(huì)有麻煩。

　　因?yàn)檫@些技術(shù)的來源，他根本沒法解釋。

　　技術(shù)跨度太大了。

　　好吧，安全第一，先用“感知機(jī)”湊合一下。

　　哪怕準(zhǔn)確率低點(diǎn)，也無所謂了。

　　江寒現(xiàn)在唯一可以拿出來的，就是“單層感知機(jī)”。

　　這種技術(shù)只能解決二分類問題，并且還要求線性可分。

　　好在當(dāng)前所面臨的問題，這兩個(gè)要求正好都符合。

　　江寒重生前，做過一個(gè)實(shí)驗(yàn)，用“單層感知機(jī)”識(shí)別手寫數(shù)字，應(yīng)用場(chǎng)景與現(xiàn)在差不多。

　　效果也還過得去。

　　所以，看照片識(shí)別男女的任務(wù)，完全可以使用“單層感知機(jī)”解決。

　　說起來，這可能是神經(jīng)網(wǎng)絡(luò)技術(shù)，在這個(gè)世界的第一次實(shí)戰(zhàn)？

　　江寒前幾天寫的論文里，就有“單層感知機(jī)”的代碼，稍微改動(dòng)了一下，就能用上了。

　　研究機(jī)器學(xué)習(xí)，首選語言是Python，語法簡(jiǎn)單，開發(fā)效率高，不容易出錯(cuò)，也不用關(guān)心底層如何實(shí)現(xiàn)。

　　不過，這篇論文的代碼，實(shí)在太簡(jiǎn)單，用什么都一樣。

　　所以，江寒使用了最熟悉的C++。

　　代碼略……

　　（PS：絕對(duì)不是空白太小寫不下。）