業餘黑客有個潛規則。

政府機關、金融系統、電子商務……這類網站的後臺，是機重地，通常有高手坐鎮，沒事最好別去溜達。

被網監或者安全專家盯上，十有八九落不了好。

而個人網站、小型辦公網路、學校網站……

這種信息安全不太敏的，僅僅是瀏覽或下載一些數據，一般不會有什麼大問題。

比如從鐵道部網12306爬點數據，做個輔助訂票系統什麼的……

但無論任何地方，肆意破壞總是不被允許的，這是底線。

《原始數據表》的奇怪況，份證位數不對，側面支持了這種可能。

通過黑客手段獲取數據，有時候會遇到一些匪夷所思的問題，比如數據格式特殊，下載的數據寬度限……

有時候，甚至在後臺資料庫里，只能找到數據的一部分，而其餘部分被保存在無法訪問的文件里。

寫後臺程序的人，會基於各種各樣的理由，寫出可讀極差的代碼。

比如：讀寫效率、數據安全、修補bug、系統健壯……

又或者不想被人繼承代碼，取代自己的位置，甚至單純為了個人興趣、編程風格……

都可能導致這些人，搞出種種令人費解的作。

當然，也可能老高的技還有缺陷，或者他是從虛擬存、換文件里挖掘出來的數據。

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，就是這麼兩張各有缺陷的表格，外加一個圖片包。

接下來，江寒首先要做的，是從《原始數據表》里，篩選出需要的記錄，複製到《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裡的行號。

當然，同名同姓是避免不了的，可能報名信息里一個「張三」，在原始數據里會找到一堆「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，就寫完程序並調試無誤。

按了一下預設的快捷鍵，腳本開始執行。

一邊是3萬多行的考生姓名，一邊是10萬多行的原始數據，腳本足足跑了八分鐘，才得到了一個映關係表。

接下來，是第二個腳本，參照映關係表，將原始數據文件篩選出需要保留的行，其他行全都刪除，然後按照《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，要比報名表多出幾千行，這是因為江寒對重名進行了理，將重名的人都編上了相同的二級序號。

接下來理重名。

經過一番分析，江寒發現，原始數據表和報名信息表裡的數據，排列順序是有規律的。

其以地區為主關鍵字，所在學校為次要關鍵字，而所在班級則是第三關鍵字排序。

也就是說，一個學校里，一個班級的人，都挨在一起，學校、地區之間也沒有混。

這樣就好辦了。

由於臨時文件已經按序號排列，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和學校，就能輕鬆分辨出哪些是多餘的，那個才是真正對應於《報名信息表》的。

如果一個班級也有同名，就只能況分析了，實在確定不了的，就先記下來，放在一邊，以後再說。

一番整理后，臨時文件1已經十分接近高老師希得到的《報名信息表》。

聯繫電話、家庭住址，畢業學校、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生的別。

幸運的是，雖然《原始數據表》里的份證號，殘缺不全，導致別信息不可用，可是《報名信息表》里還有部分殘餘的別數據。

這就給江寒減了許多負擔。

接下來，先將照片.rar解，然後觀察了一下。

三萬多張照片，按學校、班級分類，放幾千個文件夾中。

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，但看清面部特徵，還是沒什麼問題的。

其中，同班級里重名的況，都在姓名后標記著數字1、2……

江寒猜想，這可能是輸報名表的順序。

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，輕鬆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。

然後，是判斷別，填新《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，然後一個一個敲進去。

這十分麻煩，而且太沒效率。

江寒希能找個輕巧的辦法，能更快、更好的完這一步。

那麼，這樣的辦法真的有嗎？

是的。

江寒畢竟搞過機學習，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。

但江寒接下來的作，就是他的思維盲區了。

機學習里，有多種演算法，都可以輔助完這樣的任務。

其中江寒最擅長的，自然是人工神經網路。

人工神經網路也分為好多種類。

比如CNN，也就是卷積神經網路，是最擅長圖形識別的；

而RNN，也就是循環神經網路，比較適合語音識別、自然語言理解……

如果採用人工神經網路，哪怕不出CNN，只用多層神經網路，也就是所謂的「深度學習」，也可以非常完地解決這個問題。

但江寒琢磨了一下，還是放棄了這個想法。

一旦泄出去，他很可能會有麻煩。

因為這些技的來源，他本沒法解釋。

技度太大了。

好吧，安全第一，先用「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「單層知機」。

這種技只能解決二分類問題，並且還要求線可分。

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，看照片識別男的任務，完全可以使用「單層知機」解決。

說起來，這可能是神經網路技，在這個世界的第一次實戰？

江寒前幾天寫的論文里，就有「單層知機」的代碼，稍微改了一下，就能用上了。

研究機學習，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，用什麼都一樣。

所以，江寒使用了最悉的C++。

代碼略……

（PS：絕對不是空白太小寫不下。）。