像素只有210*120，不算特别清晰，但看清面部特征，还是没什么问题的。
其中，同班级里重名的情况，都在姓名后标记着数字1、2……
江寒猜想，这可能是输入报名表的顺序。
接下来要做的，就是在临时文件1里，找到每张照片对应的人。
这很简单，照片的文件名就是姓名，轻松就能和表格里的名字对上。
在解决了数量不算很多的同班重名问题后，就生成了一个照片索引，将每一张照片和报名序号一一对应上了。
然后，是判断性别，填入新《报名信息表》对应的单元格里。
这一步，按照高老师的想法，就是一个笨功夫，用眼睛去看，然后一个一个敲进去。
这十分麻烦，而且太没效率。
江寒希望能找个轻巧的办法，能更快、更好的完成这一步。
那么，这样的办法真的有吗？
是的。
江寒毕竟搞过机器学习，编程思维有点不一样。
高老师那样的普通程序员，也能做到刚才那些步骤。
但江寒接下来的操作，就是他的思维盲区了。
机器学习里，有多种算法，都可以辅助完成这样的任务。
其中江寒最擅长的，自然是人工神经网络。
人工神经网络也分为好多种类。
比如CNN，也就是卷积神经网络，是最擅长图形识别的；
而RNN，也就是循环神经网络，比较适合语音识别、自然语言理解……
如果采用人工神经网络，哪怕不出动CNN，只用多层神经网络，也就是所谓的“深度学习”，也可以非常完美地解决这个问题。
但江寒琢磨了一下，还是放弃了这个想法。
一旦泄露出去，他很可能会有麻烦。
因为这些技术的来源，他根本没法解释。
技术跨度太大了。
好吧，安全第一，先用“感知机”凑合一下。
哪怕准确率低点，也无所谓了。
江寒现在唯一可以拿出来的，就是“单层感知机”。
这种技术只能解决二分类问题，并且还要求线性可分。
好在当前所面临的问题，这两个要求正好都符合。
江寒重生前，做过一个实验，用“单层感知机”识别手写数字，应用场景与现在差不多。
效果也还过得去。
所以，看照片识别男女的任务，完全可以使用“单层感知机”解决。
说起来，这可能是神经网络技术，在这个世界的第一次实战？
江寒前几天写的论文里，就有“单层感知机”的代码，稍微改动了一下，就能用上了。
研究机器学习，首选语言是Python，语法简单，开发效率高，不容易出错，也不用关心底层如何实现。
不过，这篇论文的代码，实在太简单，用什么都一样。
所以，江寒使用了最熟悉的C++。
代码略……
（PS：绝对不是空白太小写不下。）