“也就是说，只要这百分之5的数据和测试集的数据差别不大，你的办法可以比去年的冠军强十个百分点？”唐璜仍旧还处于极度的震撼当中。“就这么简单？我还没出力呢，你们就全趴下了？”
唐璜此时的感觉，就像是夜神月第一次发现原来可以直接指派死神去除掉自己最大的对手L一样。想象中的努力，拼搏和奋斗一样都没有发生，也完全没有必要，惊人的成绩和进展甚至在比赛正式开始之前就已经获得。
“这就是人生。成功与失败很多时候可能与你并无关系，习惯就好。”孟繁岐拍了拍他的肩膀，“这次不习惯也没什么，以后的道路还有很长很长，你会习惯的。”
因为不习惯也没办法，是吧。改变不了体重的人就只能改变审美。
否则会被自己折磨一辈子的。
既然在95%的数据上已经取得了这样的结果，接下来要做的就是把余下的5%也加入进去，继续微调模型几天。
如此一来，得出的最终结果就可以直接在11月份的时候做提交所用了。
在一个性能已经相当不错的模型上继续微调它的性能，就远远用不到21天那么久的时间了。
只需两天左右的时间，新的训练日志便显示，模型的性能已经基本收敛到一个固定值，很少再继续波动。
这样的话，孟繁岐在前往澳大利亚会议现场之前，就只剩下唯一的一件事情要做，那就是补齐手头这些论文的实验数据。
将这些文章所缺的最后一块拼图填补上去。
截止此时，孟繁岐已经大约完成了接近7篇之多的文章。除了本次的参赛核心，基于残差思想的新模型DreamNet，以及相关的训练技巧，批归一化，Adam二阶优化器，和Mix-up数据增强之外。
孟繁岐还在三个其他方向上准备了开创性的工作，以占坑三个关键的领域。
在参赛的相关内容中，其实只有残差网络算得上是开创性的内容。余下的三者，虽然是各自方向上的佳作，但是难以称得上是某一细分领域的奠基之作。
写论文去详细描述，也只是迫于无奈，因为为了确保DreamNet的性能和训练速度，孟繁岐不得已而使用了一些技巧。
为了确保这样的重要结果业界可以复现，孟繁岐不得不详细描述这些训练技巧，于是便写成论文。但若是有得选择，其实并不急于一时。
而他真正希望抢占先机去布局的，一，是先前与付院长讨论过原理的，生成式对抗网络。这是近些年来最具有前景也最优雅的无标签学习方法，是以后所有生成类技术难以绕开的一个里程碑。
二，是基于新思想的实时检测网络。这会使得在图片上分辨物体并确定位置的速度和准确率大大提高。日后落地最广的图像检测技术，不论是人脸识别，自动驾驶还是工业内检测。这些新技术都不得不提到这次提速的重要意义。
三，则是最简洁好用的分割网络，U-Net。这将会是复杂分割任务的基准线，并且会制霸医疗图像领域。
孟繁岐选出这三类加上残差网络，就涵盖了分类，检测，分割和生成四大领域。占领了图像算法的四大主要赛道。
之所以全选择图像类的技术，也是为了显得合理一些。至于语言类，语音类或者多种模态的融合算法，他则计划可以稍稍放缓些时日提出。