業(yè)余黑客有個潛規(guī)則,。

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

　　被網(wǎng)監(jiān)或者安全專家盯上，十有八九落不了好,。

　　而個人網(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)，一般不會有什么大問題,。

　　比如從鐵道部官網(wǎng)12306爬點數(shù)據(jù),，做個輔助訂票系統(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，側(cè)面支持了這種可能性,。

　　通過黑客手段獲取數(shù)據(jù),，有時候會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……

　　有時候,，甚至在后臺數(shù)據(jù)庫里，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,。

　　寫后臺程序的人，會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€人興趣,、編程風(fēng)格……

　　都可能導(dǎo)致這些人，搞出種種令人費解的騷操作,。

　　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《報名信息表》里。

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

　　當(dāng)然,，同名同姓是避免不了的,，可能報名信息里一個“張三”，在原始數(shù)據(jù)里會找到一堆“張三”……這個一會兒再說,。

　　腳本編程非常簡單,，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，才得到了一個映射關(guān)系表,。

　　接下來,，是第二個腳本，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《報名信息表》的序號,，重新進行排序,，得到臨時文件1。

　　這個臨時文件的行數(shù),，要比報名表多出幾千行,，這是因為江寒對重名進行了處理，將重名的人都編上了相同的二級序號,。

　　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,，而所在班級則是第三關(guān)鍵字排序。

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

　　這樣就好辦了,。

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

　　這時,，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,，那個才是真正對應(yīng)于《報名信息表》的,。

　　如果一個班級也有同名，就只能具體情況具體分析了,，實在確定不了的,，就先記下來，放在一邊,，以后再說,。

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

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

　　接下來是重頭戲，通過照片判斷每個學(xué)生的性別,。

　　幸運的是,，雖然《原始數(shù)據(jù)表》里的身份證號，殘缺不全,，導(dǎo)致性別信息不可用,，可是《報名信息表》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、班級分類,，放入幾千個文件夾中,。

　　每個文件的大小,，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,，同班級里重名的情況，都在姓名后標記著數(shù)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(yīng)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(shù)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(yīng)上了。

　　然后,，是判斷性別,，填入新《報名信息表》對應(yīng)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(xué)習(xí),，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(qū)了。

　　機器學(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)，是最擅長圖形識別的,；

　　而RNN,，也就是循環(huán)神經(jīng)網(wǎng)絡(luò)，比較適合語音識別,、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(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”湊合一下,。

　　哪怕準確率低點,，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”,。

　　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(shù)字,，應(yīng)用場景與現(xiàn)在差不多。

　　效果也還過得去,。

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

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

　　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(xué)習(xí)，首選語言是Python,，語法簡單,，開發(fā)效率高，不容易出錯,，也不用關(guān)心底層如何實現(xiàn),。

　　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,。）