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，同班級里重名的情況，都在姓名后標記著數字1、2……
江寒猜想，這可能是輸入報名表的順序。
接下來要做的，就是在臨時文件1里，找到每張照片對應的人。
這很簡單，照片的文件名就是姓名，輕松就能和表格里的名字對上。
在解決了數量不算很多的同班重名問題后，就生成了一個照片索引，將每一張照片和報名序號一一對應上了。
然后，是判斷性別，填入新《報名信息表》對應的單元格里。
這一步，按照高老師的想法，就是一個笨功夫，用眼睛去看，然后一個一個敲進去。
這十分麻煩，而且太沒效率。
江寒希望能找個輕巧的辦法，能更快、更好的完成這一步。
那么，這樣的辦法真的有嗎？
是的。
江寒畢竟搞過機器學習，編程思維有點不一樣。
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，就是他的思維盲區了。
機器學習里，有多種算法，都可以輔助完成這樣的任務。
其中江寒最擅長的，自然是人工神經網絡。
人工神經網絡也分為好多種類。
比如，也就是卷積神經網絡，是最擅長圖形識別的；
而RNN，也就是循環神經網絡，比較適合語音識別、自然語言理解……
如果采用人工神經網絡，哪怕不出動，只用多層神經網絡，也就是所謂的“深度學習”，也可以非常完美地解決這個問題。
但江寒琢磨了一下，還是放棄了這個想法。
一旦泄露出去，他很可能會有麻煩。
因為這些技術的來源，他根本沒法解釋。
技術跨度太大了。
好吧，安全第一，先用“感知機”湊合一下。
哪怕準確率低點，也無所謂了。
江寒現在唯一可以拿出來的，就是“單層感知機”。
這種技術只能解決二分類問題，并且還要求線性可分。
好在當前所面臨的問題，這兩個要求正好都符合。
江寒重生前，做過一個實驗，用“單層感知機”識別手寫數字，應用場景與現在差不多。
效果也還過得去。
所以，看照片識別男女的任務，完全可以使用“單層感知機”解決。
說起來，這可能是神經網絡技術，在這個世界的第一次實戰？
江寒前幾天寫的論文里，就有“單層感知機”的代碼，稍微改動了一下，就能用上了。
研究機器學習，首選語言是Python，語法簡單，開發效率高，不容易出錯，也不用關心底層如何實現。
不過，這篇論文的代碼，實在太簡單，用什么都一樣。
所以，江寒使用了最熟悉的C++。
代碼略……
（PS：絕對不是空白太小寫不下。）