最后我想通了：这事不重要。大部分时间里都可以让机器自己对自己的图像进行标注，而我所要做的就是修正它的错误。随着系统的运行，错误也变得越来越少。这种方式非常迅速地扩充了训练图像集。第一天，我手动标注了500块积木；第二天，机器把这个数字提高到了2000，当然，其中有大概一半都标错了——这2500件积木就成了接下来三天这轮训练的基础数据，而最后机器标注了超过4000块乐高，其中90%都是正确的！我只需要修正400块错误的就行了。在这两周的最后，我已经有了一个全部正确标注的20000张图像的数据集。

　　这还远远不够，其中的一些类别非常不具有代表性，因此我需要提高这些类别中的图像数量，我或许应该把这部分拉出来单独在机器上处理一遍——不需要再进行任何修正，它们将被同样地标注。

　　自上周发布第一篇帖子后我收获了很多帮助，atv，这里我想特别感谢两个人。一是Jeremy Howard，他帮我补上了知识的空缺，没有他的帮助，我都开不了头；第二位是Francois Chollet，Keras的作者，他将自己自定义版本的Xception模型提供给了我，大大加速了训练的进程。

　　现在训练在速度上陷入了瓶颈，即使我的Nvidia GPU已经够快的了，我还是嫌它跑得慢。要生成一个新的网络需要花费几天时间，在一台有4个GPU的机器上，这速度真是不行……我是个没什么耐心的人，不过生让这个事给练出来了。

　　在某一时刻这些软件和数据都会被开源，但在此之前，我还有很长一段路要走。

　　什么时候软件真正具备给这一大堆散装乐高分类的能力了，翻身的日子就该到了。等我把这堆山一样的乐高收拾完，我就把它们廉价处理出去。

　　最后，这是一张呈现我起初构想的概念图，全是用乐高拼出来的：

　　招聘

　　量子位正在招募编辑记者、运营、产品等岗位，工作地点在北京中关村。相关细节，请在公众号对话界面，回复：“招聘”。

　　One More Thing…

　　今天AI界还有哪些事值得关注？在量子位（QbitAI）公众号对话界面回复“今天”，看我们全网搜罗的AI行业和研究动态。笔芯~

　　另外，欢迎加量子位小助手的微信：qbitbot，如果你研究或者从事AI领域，小助手会把你带入量子位的交流群里。

　　追踪人工智能领域最劲内容