最為流行的就是卷積神經絡nn，與普通的演算法不太一樣，卷積神經絡演算法也很有意思。
現在人們拍照的器材越來越好，10001000的圖片比比皆是。
在分析圖片的時候是否需要一個建立一個10001000的絡層，答案是不需要的，相反可以建立一個2020的輸入層。
就好像是下面有一個很大的圖片，在圖片的上面有一個小紙板。
第一次把這個紙板放在了圖片的左上角，只取出來被覆蓋的這一部分的畫素進行處理，然後把這個紙板向右移動一個畫素，再取一部分畫素進行處理。
有的人有疑問，這樣不是第二次取的畫素和第一次重複的很多嗎？
沒錯就是有很多的重複，這個演算法就是要這麼搞，只有這樣的滑動視窗，才能體現出來這個圖片畫素的空間位置，才能把畫素之間的關係也都考慮進去。
而不是像以前有一種識別手寫的圖片中的數字的例子，機器學習的入門課程，就是識別手寫數字，有人統計，只有正確率達到了百分之九十九多的時候，機器識別才有作用。
最經典的一個例子就是，把所有的畫素都從左到右，從上到下，一個一個的都並排排好，形成一個單個的畫素線。
寫一個方程式來求幾個引數，給出來一些訓練資料，讓計算機自己發現規律，找到其中的關聯，從而得到一個最好的方程的解。
但是這種計算出來的結果正確的識別率只有可憐的百分之十多。
如果用卷積神經絡來稍加改造就能讓識別率達到百分之九十九以上。
可見，卷積神經絡對圖片的分類來說是最好的一個演算法。
不過也是有一個問題，它需要大量的資料，對於能獲得大量的資料的場景這個演算法是很不錯的，但是如果不能獲得很多資料，它的效果就沒有那麼好了。
因為有以前做過語音識別的經驗，所以對這個改造起來是得心應手。
很快林奇就把這個演算法進行了改進，可以不用那麼多的資料就能達到一樣的效果。
為了驗證他的這個結論是否正確，林奇向毛毛蟲的身體裡寫入一段程式。
這個程式特別簡單，就是利用林奇開發出來的程式識別眼前出現的人是否是林奇本人。
如果識別出來是林奇本人，那麼毛毛蟲就會開心的把頭扭來扭去。
說起來做這個，是興趣更多一些，因為這樣的程式什麼都做不了，也沒有辦法幫助林奇來修正他的研究。
不過看著眼前的毛毛蟲，林奇就特別喜歡它，雖然它本身沒有什麼儲存的能力，都是通過後臺的生物計算機來計算，然後利用量子通訊送到毛毛蟲這邊處理。
但是林奇就感覺這是一個小夥伴，可以陪著他，讓他在生活中有了一絲調味。
林奇在這樣的想法下，一個個的場景攻關下去，自己在這其中提高了不少。11