军训结束后的第一周，姚班正式开始上课。
陈阳利用重生者的优势，在课堂上游刃有余。
数学分析课上精准回答了关於函数连续性证明的问题，计算机视觉课上提出用深度学习做特徵提取的思路，算法课上对动態规划的理解让老师连连点头。
就连下课后，陈阳也经常主动去老师办公室请教问题。
一周下来，姚班的几位核心教授都对这个大一新生留下了深刻印象。
周五下午是姚教授的《计算理论》课。
这是姚班最受重视的课程之一，姚教授每周只讲一次，但每次都是精华。
教室里坐得满满当当，大家都很认真。
姚教授今天讲的是计算复杂性理论，讲到p问题和np问题的关係时，他停下来，看著台下的学生。
“我有一个问题，“
姚教授的声音不大，但很有穿透力，
“假设我们有一个算法，能在多项式时间內验证某个问题的解是否正確，那么我们能不能在多项式时间內找到这个解？“
这是一个经典的思考题，涉及p=np这个千禧年七大数学难题之一。
教室里安静了几秒，大家都在思考。
陈阳举起手。
姚教授微微点头：“请讲。“
“目前来说，我们不能。“
陈阳站起来，“验证一个解的正確性，和找到这个解，是两个不同复杂度的问题。
比如数独游戏，验证一个填好的数独是否正確很容易，但要找到正確的填法，可能需要尝试大量组合。这就是np问题的特点——验证容易，求解难。“
姚教授眼中闪过一丝讚许：“继续。“
陈阳顿了顿，“但是，在某些特殊情况下，我们可以通过启发式算法或者近似算法，在可接受的时间內找到足够好的解。虽然不一定是最优解，但在实际应用中往往已经够用了。“
“很好。“姚教授点点头，
“理论和实践的结合，这是一个很重要的视角。这位同学叫什么名字？“
“陈阳。“
“陈阳同学的回答很有深度。
“姚教授对全班说，“大家要记住，学习计算理论不是为了证明数学定理，而是为了理解计算的本质，从而在实践中做出更好的设计。“
下课后，陈阳收拾东西准备离开。
“陈阳。“
姚教授站在讲台上，朝他招手。
“你刚才提到的启发式算法，“
姚教授看著他，“在什么样的实际场景中用过？“
陈阳知道，机会来了。
“我暑假的时候创办了一个爬虫公司，做数据分析。“
陈阳说，“在爬取数据的过程中，遇到了一个很棘手的问题，验证码识別。“
“验证码？“姚教授来了兴趣。
“对。传统的图像处理方法效果很不稳定，“
陈阳说，“所以我开始研究深度学习的方法来解决这个问题。“
“深度学习？“姚教授眼中的讚许更明显了，“这个方向很前沿。你遇到什么困难了吗？“
“遇到了。“陈阳组织著语言，“当我把网络层数加深的时候，出现了梯度消失的问题。反向传播到浅层的时候，梯度已经接近零了，导致浅层根本训练不动。“
姚教授点点头，这是深度学习领域人尽皆知的难题。
“我查阅了很多文献，“
陈阳说，“geoffrey hinton的预训练方法、yann lecun的卷积神经网络，都给了我很多启发。我尝试用relu激活函数代替sigmoid，用dropout防止过擬合，用数据增强扩充训练集。这些方法確实有效。“
“效果怎么样？“
“梯度消失的问题基本解决了。“
陈阳说，“但隨之而来的，出现了一个新的问题。“
“什么问题？“姚教授明显更感兴趣了。
“退化问题。“陈阳说，“当我把网络层数从8层增加到20层的时候，理论上模型的表达能力更强了，但实际训练出来的准確率反而下降了。而且这不是过擬合，因为训练集上的准確率也下降了。“
姚教授沉思了几秒：“这很有意思。你確定不是训练方法的问题？“
“確定。“
陈阳说，“我用完全相同的训练参数，8层网络能达到95%的准確率，但20层网络只有91%。这说明深层网络並没有学到更好的特徵，反而退化了。“
“你怎么解释这个现象？“
“我觉得，“陈阳说，“问题在於网络太深之后，优化变得非常困难。即使梯度能传回来，但优化路径太长太复杂，很容易陷入次优解。“
“有道理。“姚教授点点头，“那你是怎么解决的？“
陈阳深吸一口气，这是关键时刻。
“我尝试了一个想法，“他说，“改变网络的连接方式。“
“怎么改？“
“我在深层和浅层之间加了一些跳跃连接，“陈阳解释道，“让浅层的信息可以直接绕过中间层，传递到深层。这样深层网络在最坏的情况下，也能退化成浅层网络的效果，不会比浅层网络差。“
姚教授的眼睛亮了：“这个思路很新颖。具体是怎么实现的？“
“简单来说，就是让每一层学习的不是目標函数本身，而是目標函数和输入之间的残差。“陈阳说，“这样即使某些层学不到东西，也不会影响整体效果。“
“残差学习。“姚教授若有所思，“这个想法很有创造性。效果怎么样？“
“效果很好。“陈阳说，“用了这个方法后，我训练了一个18层的网络，准確率达到了98.5%，远远超过了浅层网络。而且训练速度也比之前快了很多。“
姚教授看著陈阳，沉默了几秒。
“陈阳，“他说，“你现在有时间吗？跟我去办公室，我们详细聊聊。“
“有。“陈阳说。
姚教授的办公室在fit楼五层，很宽敞，书架上摆满了书籍和论文。
“坐。“姚教授指了指沙发，然后给陈阳倒了杯茶。
“你刚才说的残差学习，“姚教授坐下来，“能画个图给我看看吗？“
“可以。“陈阳走到白板前，拿起马克笔。
他在白板上画了一个简单的网络结构图。
“传统的网络，“陈阳指著图说，“是让这些层去学习一个映射函数h(x)，直接从输入x映射到输出y。“
“但在残差网络里，“他继续说，“我们让这些层去学习f(x)= h(x)- x，也就是输出和输入之间的残差。然后把x通过跳跃连接直接加到输出上，得到最终的y = f(x)+ x。“
姚教授盯著白板，眼神专註：“为什么这样做会更容易优化？“
“因为对於恆等映射来说，“陈阳说，“让f(x)学习为0，比让h(x)学习为x要容易得多。而在深层网络中，很多层確实应该接近恆等映射，这样才不会破坏浅层学到的特徵。“
“妙啊。“姚教授讚嘆道，“这个想法非常优雅。你是怎么想到的？“
陈阳早就准备好了说辞：“我在研究highway networks的一些早期思想时得到的启发。他们用门控机制来控制信息流动，但我觉得太复杂了。后来我想，能不能用最简单的加法连接？试了一下，发现效果特別好。“
“你的网络现在用在验证码识別上？“姚教授问。
“是的。“陈阳说，“我训练了一个18层的模型，对主流的验证码识別准確率都在98%以上。“
“50层？“姚教授有些惊讶。
姚教授站起来，在办公室里走了几步：“陈阳，你的这个工作非常有价值。不仅解决了实际问题，而且在理论上也有创新。“
他停顿了一下，转头看著陈阳：“你有没有在更大规模的数据集上测试过这个方法？比如imagenet？“
“测试过。“陈阳点点头，“我用imagenet 2012的数据集训练了一个152层的深度残差网络。“
“152层？！“姚教授眼睛瞪大。
“是的。“陈阳说，“因为有了残差连接，网络可以训练得非常深，而且不会出现退化问题。“
“还用了並行框架”陈阳心里说道，只是没表示出来。
“效果怎么样？“
陈阳深吸一口气：“top-5错误率，6.7%。“
姚教授的手颤了一下。
办公室里安静了几秒。
“6.7%？“姚教授盯著陈阳，声音都有些颤抖，“你確定这个数字？“
“確定。“陈阳说，“我跑了三遍验证，结果都在6.7%左右。“
姚教授走到窗边，背对著陈阳站了一会儿。
然后他转过身：“陈阳，你知道这意味著什么吗？“
“知道。“陈阳说，“这意味著深度学习在图像识別领域，已经可以达到一个非常高的水平。“
“不仅如此。“姚教授说，“根据我所知的信息，你的6.7%，是一个质的飞跃。这已经非常接近人类的识別水平了。“
他走到电话前，拿起话筒：“小陈，帮我联繫一下张文凯老师和李明教授，就说我这里有个很重要的事情，请他们现在过来一下。“
掛了电话，姚教授转头对陈阳说：“你等一下，我请了两位计算机视觉方向的教授过来。他们需要看看你的工作。“
“好的。“
十分钟后，两位教授赶到了。
张文凯老师陈阳见过，是给姚班上计算机视觉课的老师。
另一位李明教授年纪稍大，是清华计算机系视觉方向的学术带头人。
“老姚，这么著急叫我们来干什么？“李明教授笑著问。
“你们看看这个学生的工作。“姚教授指著陈阳。
陈阳又把刚才的內容讲了一遍，並且在白板上详细画出了残差网络的结构。
两位教授一开始还比较隨意，但越听越认真，到最后都站到了白板前仔细研究。
“你这个跳跃连接，“张文凯问，“会不会导致梯度爆炸？“
“不会。“陈阳说，“因为加法操作的梯度是1，不会放大也不会缩小。反向传播的时候，梯度可以直接通过跳跃连接传回去，所以很稳定。“
“你说在imagenet上测试了？“李明教授问，“能看看结果吗？“
“可以。“陈阳打开笔记本电脑，调出测试结果和训练曲线。
两位教授盯著屏幕看了很久。
训练曲线很平滑，loss稳定下降，准確率稳步上升。
测试集上的最终结果，清清楚楚写著：top-5 error: 6.7%。
“6.7%.！“李明教授喃喃自语，“这个数字太惊人了。“
“这不是一个小的改进，“
张文凯说，“这是在说明，网络深度確实可以带来性能的巨大提升，前提是你能训练好它。“
“陈阳，“李明教授转头问，“你用了多少层？“
“152层。“
“什么？！“两位教授都惊了。
“152层还能训练？“张文凯难以置信，“不会梯度消失吗？“
“不会。“陈阳说，“因为残差连接的存在，梯度可以直接传播回去。而且我发现，网络越深，只要能训练好，效果就越好。“
“你做了消融实验吗？“李明教授问，这是一个很专业的问题，“比如对比不同深度的网络？“
“做了。“陈阳切换ppt，展示了一组对比实验，“我训练了18层、34层、50层、101层、152层五个不同深度的网络。结果显示，在我的架构下，网络越深，效果越好。“
屏幕上显示著一张图表，横轴是网络深度，纵轴是错误率。曲线清晰地显示：隨著深度增加，错误率持续下降。
“天才，真是天才。“李明教授感嘆，“大一新生就能做出这样的工作。“
“不仅是天才，“张文凯说，“更难得的是，他解决了一个困扰深度学习领域很久的问题——如何训练真正的深层网络。“
姚教授看著陈阳，眼中满是讚许：“陈阳，你这个工作必须儘快整理成论文发表。这是深度学习领域的重大突破。“
“我正在整理。“陈阳说，“但我想再做一些补充实验，比如在其他数据集上验证，或者探索更多的应用场景。“
“有什么不懂的隨时来找我们。“张文凯说，“论文写作、实验设计、投稿流程，我们都可以帮你。“
“对，“李明教授补充道，“这个工作如果投cvpr或者iccv，绝对是spotlight甚至best paper级別的。“
“谢谢老师。“
“不用谢。“李明教授笑道，“应该是我们谢谢你，给我们这些老傢伙长了脸。清华能出你这样的学生，是我们的骄傲。“
姚教授看著陈阳，语气认真：“陈阳，你打算继续在姚班读书吗？“
“当然。“陈阳有些不解，“为什么这样问？“
“因为我担心，“姚教授笑了笑，“像你这样的学生，很容易被其他学院或者公司挖走。“
“不会的。“陈阳说，“姚班是最適合我的地方。“
“那我就放心了。“姚教授对两位教授说，“我们得保护好这个学生。等他的论文发表出来，恐怕google、facebook、百度这些公司都会来抢人。“
“对对对。“李明教授点头，“这样的学生，一定要留在学术界。至少读完博士再说。“
“我会好好考虑的。“陈阳说。
几位教授又问了很多技术细节，从网络结构到训练技巧，从数据增强到模型优化。
陈阳一一回答，展现出了远超大一新生的专业水平。
討论一直持续到晚上七点。
“今天就到这里吧。“
姚教授看了看时间，“陈阳，你先回去休息。我们会商量一下，看怎么帮你把这个工作做得更完善。另外，关於论文发表，我们会给你一些建议。“
“好的，谢谢姚教授，谢谢两位老师。“
陈阳走出办公室，长出一口气。
今天的目標完美达成了。
不仅在姚教授面前留下了深刻印象，还得到了两位计算机视觉教授的认可。
更重要的是，他找到了一个合理的身份。
一个在暑假创业过程中，为了解决实际问题，无意中发现了残差网络的天才学生。
这样一来，等resnet相关的论文发表时，就不会显得太突兀了。
陈阳利用重生者的优势，在课堂上游刃有余。
数学分析课上精准回答了关於函数连续性证明的问题，计算机视觉课上提出用深度学习做特徵提取的思路，算法课上对动態规划的理解让老师连连点头。
就连下课后，陈阳也经常主动去老师办公室请教问题。
一周下来，姚班的几位核心教授都对这个大一新生留下了深刻印象。
周五下午是姚教授的《计算理论》课。
这是姚班最受重视的课程之一，姚教授每周只讲一次，但每次都是精华。
教室里坐得满满当当，大家都很认真。
姚教授今天讲的是计算复杂性理论，讲到p问题和np问题的关係时，他停下来，看著台下的学生。
“我有一个问题，“
姚教授的声音不大，但很有穿透力，
“假设我们有一个算法，能在多项式时间內验证某个问题的解是否正確，那么我们能不能在多项式时间內找到这个解？“
这是一个经典的思考题，涉及p=np这个千禧年七大数学难题之一。
教室里安静了几秒，大家都在思考。
陈阳举起手。
姚教授微微点头：“请讲。“
“目前来说，我们不能。“
陈阳站起来，“验证一个解的正確性，和找到这个解，是两个不同复杂度的问题。
比如数独游戏，验证一个填好的数独是否正確很容易，但要找到正確的填法，可能需要尝试大量组合。这就是np问题的特点——验证容易，求解难。“
姚教授眼中闪过一丝讚许：“继续。“
陈阳顿了顿，“但是，在某些特殊情况下，我们可以通过启发式算法或者近似算法，在可接受的时间內找到足够好的解。虽然不一定是最优解，但在实际应用中往往已经够用了。“
“很好。“姚教授点点头，
“理论和实践的结合，这是一个很重要的视角。这位同学叫什么名字？“
“陈阳。“
“陈阳同学的回答很有深度。
“姚教授对全班说，“大家要记住，学习计算理论不是为了证明数学定理，而是为了理解计算的本质，从而在实践中做出更好的设计。“
下课后，陈阳收拾东西准备离开。
“陈阳。“
姚教授站在讲台上，朝他招手。
“你刚才提到的启发式算法，“
姚教授看著他，“在什么样的实际场景中用过？“
陈阳知道，机会来了。
“我暑假的时候创办了一个爬虫公司，做数据分析。“
陈阳说，“在爬取数据的过程中，遇到了一个很棘手的问题，验证码识別。“
“验证码？“姚教授来了兴趣。
“对。传统的图像处理方法效果很不稳定，“
陈阳说，“所以我开始研究深度学习的方法来解决这个问题。“
“深度学习？“姚教授眼中的讚许更明显了，“这个方向很前沿。你遇到什么困难了吗？“
“遇到了。“陈阳组织著语言，“当我把网络层数加深的时候，出现了梯度消失的问题。反向传播到浅层的时候，梯度已经接近零了，导致浅层根本训练不动。“
姚教授点点头，这是深度学习领域人尽皆知的难题。
“我查阅了很多文献，“
陈阳说，“geoffrey hinton的预训练方法、yann lecun的卷积神经网络，都给了我很多启发。我尝试用relu激活函数代替sigmoid，用dropout防止过擬合，用数据增强扩充训练集。这些方法確实有效。“
“效果怎么样？“
“梯度消失的问题基本解决了。“
陈阳说，“但隨之而来的，出现了一个新的问题。“
“什么问题？“姚教授明显更感兴趣了。
“退化问题。“陈阳说，“当我把网络层数从8层增加到20层的时候，理论上模型的表达能力更强了，但实际训练出来的准確率反而下降了。而且这不是过擬合，因为训练集上的准確率也下降了。“
姚教授沉思了几秒：“这很有意思。你確定不是训练方法的问题？“
“確定。“
陈阳说，“我用完全相同的训练参数，8层网络能达到95%的准確率，但20层网络只有91%。这说明深层网络並没有学到更好的特徵，反而退化了。“
“你怎么解释这个现象？“
“我觉得，“陈阳说，“问题在於网络太深之后，优化变得非常困难。即使梯度能传回来，但优化路径太长太复杂，很容易陷入次优解。“
“有道理。“姚教授点点头，“那你是怎么解决的？“
陈阳深吸一口气，这是关键时刻。
“我尝试了一个想法，“他说，“改变网络的连接方式。“
“怎么改？“
“我在深层和浅层之间加了一些跳跃连接，“陈阳解释道，“让浅层的信息可以直接绕过中间层，传递到深层。这样深层网络在最坏的情况下，也能退化成浅层网络的效果，不会比浅层网络差。“
姚教授的眼睛亮了：“这个思路很新颖。具体是怎么实现的？“
“简单来说，就是让每一层学习的不是目標函数本身，而是目標函数和输入之间的残差。“陈阳说，“这样即使某些层学不到东西，也不会影响整体效果。“
“残差学习。“姚教授若有所思，“这个想法很有创造性。效果怎么样？“
“效果很好。“陈阳说，“用了这个方法后，我训练了一个18层的网络，准確率达到了98.5%，远远超过了浅层网络。而且训练速度也比之前快了很多。“
姚教授看著陈阳，沉默了几秒。
“陈阳，“他说，“你现在有时间吗？跟我去办公室，我们详细聊聊。“
“有。“陈阳说。
姚教授的办公室在fit楼五层，很宽敞，书架上摆满了书籍和论文。
“坐。“姚教授指了指沙发，然后给陈阳倒了杯茶。
“你刚才说的残差学习，“姚教授坐下来，“能画个图给我看看吗？“
“可以。“陈阳走到白板前，拿起马克笔。
他在白板上画了一个简单的网络结构图。
“传统的网络，“陈阳指著图说，“是让这些层去学习一个映射函数h(x)，直接从输入x映射到输出y。“
“但在残差网络里，“他继续说，“我们让这些层去学习f(x)= h(x)- x，也就是输出和输入之间的残差。然后把x通过跳跃连接直接加到输出上，得到最终的y = f(x)+ x。“
姚教授盯著白板，眼神专註：“为什么这样做会更容易优化？“
“因为对於恆等映射来说，“陈阳说，“让f(x)学习为0，比让h(x)学习为x要容易得多。而在深层网络中，很多层確实应该接近恆等映射，这样才不会破坏浅层学到的特徵。“
“妙啊。“姚教授讚嘆道，“这个想法非常优雅。你是怎么想到的？“
陈阳早就准备好了说辞：“我在研究highway networks的一些早期思想时得到的启发。他们用门控机制来控制信息流动，但我觉得太复杂了。后来我想，能不能用最简单的加法连接？试了一下，发现效果特別好。“
“你的网络现在用在验证码识別上？“姚教授问。
“是的。“陈阳说，“我训练了一个18层的模型，对主流的验证码识別准確率都在98%以上。“
“50层？“姚教授有些惊讶。
姚教授站起来，在办公室里走了几步：“陈阳，你的这个工作非常有价值。不仅解决了实际问题，而且在理论上也有创新。“
他停顿了一下，转头看著陈阳：“你有没有在更大规模的数据集上测试过这个方法？比如imagenet？“
“测试过。“陈阳点点头，“我用imagenet 2012的数据集训练了一个152层的深度残差网络。“
“152层？！“姚教授眼睛瞪大。
“是的。“陈阳说，“因为有了残差连接，网络可以训练得非常深，而且不会出现退化问题。“
“还用了並行框架”陈阳心里说道，只是没表示出来。
“效果怎么样？“
陈阳深吸一口气：“top-5错误率，6.7%。“
姚教授的手颤了一下。
办公室里安静了几秒。
“6.7%？“姚教授盯著陈阳，声音都有些颤抖，“你確定这个数字？“
“確定。“陈阳说，“我跑了三遍验证，结果都在6.7%左右。“
姚教授走到窗边，背对著陈阳站了一会儿。
然后他转过身：“陈阳，你知道这意味著什么吗？“
“知道。“陈阳说，“这意味著深度学习在图像识別领域，已经可以达到一个非常高的水平。“
“不仅如此。“姚教授说，“根据我所知的信息，你的6.7%，是一个质的飞跃。这已经非常接近人类的识別水平了。“
他走到电话前，拿起话筒：“小陈，帮我联繫一下张文凯老师和李明教授，就说我这里有个很重要的事情，请他们现在过来一下。“
掛了电话，姚教授转头对陈阳说：“你等一下，我请了两位计算机视觉方向的教授过来。他们需要看看你的工作。“
“好的。“
十分钟后，两位教授赶到了。
张文凯老师陈阳见过，是给姚班上计算机视觉课的老师。
另一位李明教授年纪稍大，是清华计算机系视觉方向的学术带头人。
“老姚，这么著急叫我们来干什么？“李明教授笑著问。
“你们看看这个学生的工作。“姚教授指著陈阳。
陈阳又把刚才的內容讲了一遍，並且在白板上详细画出了残差网络的结构。
两位教授一开始还比较隨意，但越听越认真，到最后都站到了白板前仔细研究。
“你这个跳跃连接，“张文凯问，“会不会导致梯度爆炸？“
“不会。“陈阳说，“因为加法操作的梯度是1，不会放大也不会缩小。反向传播的时候，梯度可以直接通过跳跃连接传回去，所以很稳定。“
“你说在imagenet上测试了？“李明教授问，“能看看结果吗？“
“可以。“陈阳打开笔记本电脑，调出测试结果和训练曲线。
两位教授盯著屏幕看了很久。
训练曲线很平滑，loss稳定下降，准確率稳步上升。
测试集上的最终结果，清清楚楚写著：top-5 error: 6.7%。
“6.7%.！“李明教授喃喃自语，“这个数字太惊人了。“
“这不是一个小的改进，“
张文凯说，“这是在说明，网络深度確实可以带来性能的巨大提升，前提是你能训练好它。“
“陈阳，“李明教授转头问，“你用了多少层？“
“152层。“
“什么？！“两位教授都惊了。
“152层还能训练？“张文凯难以置信，“不会梯度消失吗？“
“不会。“陈阳说，“因为残差连接的存在，梯度可以直接传播回去。而且我发现，网络越深，只要能训练好，效果就越好。“
“你做了消融实验吗？“李明教授问，这是一个很专业的问题，“比如对比不同深度的网络？“
“做了。“陈阳切换ppt，展示了一组对比实验，“我训练了18层、34层、50层、101层、152层五个不同深度的网络。结果显示，在我的架构下，网络越深，效果越好。“
屏幕上显示著一张图表，横轴是网络深度，纵轴是错误率。曲线清晰地显示：隨著深度增加，错误率持续下降。
“天才，真是天才。“李明教授感嘆，“大一新生就能做出这样的工作。“
“不仅是天才，“张文凯说，“更难得的是，他解决了一个困扰深度学习领域很久的问题——如何训练真正的深层网络。“
姚教授看著陈阳，眼中满是讚许：“陈阳，你这个工作必须儘快整理成论文发表。这是深度学习领域的重大突破。“
“我正在整理。“陈阳说，“但我想再做一些补充实验，比如在其他数据集上验证，或者探索更多的应用场景。“
“有什么不懂的隨时来找我们。“张文凯说，“论文写作、实验设计、投稿流程，我们都可以帮你。“
“对，“李明教授补充道，“这个工作如果投cvpr或者iccv，绝对是spotlight甚至best paper级別的。“
“谢谢老师。“
“不用谢。“李明教授笑道，“应该是我们谢谢你，给我们这些老傢伙长了脸。清华能出你这样的学生，是我们的骄傲。“
姚教授看著陈阳，语气认真：“陈阳，你打算继续在姚班读书吗？“
“当然。“陈阳有些不解，“为什么这样问？“
“因为我担心，“姚教授笑了笑，“像你这样的学生，很容易被其他学院或者公司挖走。“
“不会的。“陈阳说，“姚班是最適合我的地方。“
“那我就放心了。“姚教授对两位教授说，“我们得保护好这个学生。等他的论文发表出来，恐怕google、facebook、百度这些公司都会来抢人。“
“对对对。“李明教授点头，“这样的学生，一定要留在学术界。至少读完博士再说。“
“我会好好考虑的。“陈阳说。
几位教授又问了很多技术细节，从网络结构到训练技巧，从数据增强到模型优化。
陈阳一一回答，展现出了远超大一新生的专业水平。
討论一直持续到晚上七点。
“今天就到这里吧。“
姚教授看了看时间，“陈阳，你先回去休息。我们会商量一下，看怎么帮你把这个工作做得更完善。另外，关於论文发表，我们会给你一些建议。“
“好的，谢谢姚教授，谢谢两位老师。“
陈阳走出办公室，长出一口气。
今天的目標完美达成了。
不仅在姚教授面前留下了深刻印象，还得到了两位计算机视觉教授的认可。
更重要的是，他找到了一个合理的身份。
一个在暑假创业过程中，为了解决实际问题，无意中发现了残差网络的天才学生。
这样一来，等resnet相关的论文发表时，就不会显得太突兀了。