魔蝎小说

第92章 登场（第1页）

李秋明起身，背着双肩包一步步走向主席台。他没有穿西装，依旧是那件深灰色冲锋衣，步伐沉稳，神情平静。当他走到主席台中央，大屏幕上弹出他的个人介绍——“QiuMingLi，Sophomore，TsinghuaUy”（李秋明，华清大学大二学生）时，会场内的议论声瞬间放大，不少人脸上露出了毫不掩饰的不耐和不屑。

“大二学生？OSDI什么时候允许本科生做口头报告了？”

“华国的大学教育这么水吗？大二就能写出OSDI级别的论文？”

“怕不是找人代笔的吧，或者只是挂了个名。”

“浪费时间，我还以为是什么重磅成果。”

坐在前排的几位教授皱起了眉头，杰夫·迪恩端起水杯喝了一口，眼神里带着明显的敷衍；马克·拉希诺维奇则首接拿起会议手册翻了起来，根本没打算认真听。那几个日本学者更是交头接耳，嘴角挂着嘲讽的笑意。

李秋明没有被这些议论影响，他平静地走到麦克风前，调整了一下高度，用流利且清晰的英语开口：“各位下午好，我是李秋明，来自华清大学。今天我要分享的论文是《基于浅层神经网络的手写数字识别系统》。”

他的声音不大，却带着一种穿透性，会场内的议论声渐渐平息下来。李秋明没有急于介绍技术细节，而是先展示了一组数据：“在2006年，全球手写数字识别的平均准确率为75%，传统算法的优化空间己经不足10%，且训练时间普遍超过3小时。而我们的系统，准确率达到了89%，训练时间缩短至45分钟，硬件要求仅为普通PC配置。”

这组数据一出，会场内响起一阵吸气声。不少人停下了手里的动作，抬起头看向大屏幕。杰夫·迪恩放下了水杯，眼神里的敷衍变成了好奇；马克·拉希诺维奇也合上了会议手册，身体微微前倾。

“大家可能会质疑神经网络的可靠性，”李秋明继续说道，“这也是我们最初面临的问题。传统Sigmoid激活函数在深层网络中会出现梯度消失，导致参数无法更新。为此，我们提出了简化版ReLU激活函数，通过调整参数范围，既解决了梯度消失问题，又降低了计算复杂度。”

他一边说，一边操作着PPT，展示出激活函数的对比曲线和实验数据。屏幕上，传统函数的梯度在三层网络后就趋近于零，而他提出的简化版ReLU函数，即使在五层网络中依旧保持着稳定的梯度值。清晰的图表和详实的数据，让会场内的质疑声越来越小。

“在数据标注方面，我们没有现成的数据集，于是手动收集了10万张手写数字样本，通过自主开发的标注工具完成分类，标注准确率达到99。2%。”李秋明切换到数据处理页面，“为了解决硬件算力不足的问题，我们优化了模型压缩算法，将模型体积压缩至原来的30%，同时保证了识别准确率仅下降1个百分点。”

他的发言逻辑清晰，层层递进，从问题提出到解决方案，再到实验验证，每一个环节都有扎实的数据支撑。原本嘈杂的会场变得鸦雀无声，只有他的声音和PPT切换的声音在回荡。那些原本不屑一顾的学者们，此刻都专注地看着大屏幕，不少人快速记录着关键信息，脸上露出了严肃的思考神情。

当李秋明展示出系统的实际应用演示——通过普通摄像头拍摄手写数字，系统在0。5秒内完成识别，准确率达到88%时，会场内响起了零星的掌声。这掌声越来越热烈，最后变成了满堂喝彩，就连之前嘲讽他的日本学者，也不得不收起了轻视的神色，露出了惊讶的表情。

“我的报告到此结束，谢谢大家。”李秋明微微鞠躬，准备下台。

“等一下！”一个声音突然响起，是斯坦福大学的安德鲁·帕潘尼古拉乌教授，“我想知道，你的简化版ReLU函数是否能应用在更深层的网络中？如果网络层数增加到10层以上，梯度是否还能保持稳定？”

这是一个尖锐的问题，也是当时神经网络研究的核心难题之一。会场内瞬间安静下来，所有人的目光都聚焦在李秋明身上。

李秋明微微一笑，从容回应：“帕潘尼古拉乌教授，这是一个非常好的问题。我们确实做过相关实验，当网络层数增加到10层时，简化版ReLU函数的梯度会出现轻微衰减，但衰减幅度控制在15%以内，通过调整学习率和正则化参数，可以有效弥补这一缺陷。而且我们认为，随着硬件算力的提升，深层网络的应用会越来越广泛，这也是我们下一步的研究方向。”