所谓集成学习，就是训练多个机器学习模型，然后组合在一起，让它们协调工作。

俗话说，人多力量大，机器学习算法也是一样。

江寒经过一番认真的设计，确定了一个新的网络拓扑结构。

他从排名415的模型里，精心选择了7种，再加上“唯一优胜者”、“黑马中等生”、“书呆子”，一共10个神经网络。

将它们放在一起，简单地并联起来，组成了一个整体，然后设计了一个投票程序。

一张手写数字的图片输入网络后，会同时传递给10个神经网络模型，让它们各自进行计算，输出自己的预测结果。

如果大家的判断完全一致，那自然没什么问题。

但如果大家意见相左，就会启动投票程序，根据票数来决定最终的输出。

票数并不是平均分配的，在验证集上表现更好的模型，手里的选票也应该更多。

所以，理所当然的，“唯一优胜者”拥有最多的票数。

如果他全票投给自己，那么一般来说，他的意见就基本上接近正解，理应得到采纳。

这种情况下，其他模型就算有不同意见，而且全都统一口径，也不应该推翻优胜者的判断。

这就好比领导班子开会，不能光讲民主，还得适当集中……

但很多时候，优胜者对自己的判断，也并不是十分有把握，这个时候，其他“学生”给出的答案，就很有参考意义了。

如果其他人中，有人认为答案是另一个，并得到了多数人的支持，那么就会对优胜者的答案进行“弹劾”。

如果优胜者投给自己的票数，并不足以驳回大家的“弹劾”，那么就会少数服从多数，将最后输出修改为受到更多人认同的。

举例来说，刚才的那个数字5。

优胜者判断有60%的概率是6，37%的概率是5，2%的可能性是其他数字，这个时候，它就会输出错误的答案：6。

但如果在其他“学生”中，有人经过计算，认为答案应该是5，与优胜者判断不一致，就会启动投票程序。

由于优胜者判断只有60%的概率是数字6，折算后，等于它只肯为自己的答案投6票。

这个时候，只要其他个模型的票数，加一起超过6票，即可弹劾成功。

如果优胜者对自己的判断，有0%以上的把握，那么其他个人加起来，也不足以推翻他的结论。

意思就是这么个意思，具体的折算比例，当然不会这么简单。

还需要十分细致、耐心地进行调整，以使整个模型的输出，更加接近最优解。

当然，这种投票式的做法，无疑也有极小极小的可能性，产生不那么美好的结果。

比如，优胜者本来的判断明明是正确的，只是对自己信心不够充足，也有可能被其他模型给“纠正”成错误的。

但这种情况发生的几率，远远小于优胜者误判的几率。

所以，集成学习的总体性能，仍然领先于每一个单独的神经网络。

这种集成学习的思想，无疑是比较先进的，但实现起来难度也相当大。

尤其是那个投票程序，相当耗费脑细胞。

江寒全力开动脑力，也足足用了四个多小时，才将集成学习网络打造成功。

时间主要浪费在投票程序，折算比例的调整上。

至于10个子模块，已经全部训练完毕，就无需再耗费时间训练了。

也幸亏如此，否则就没办法及时提交上去了。

随后，江寒在最终版本的集成网络上，重新跑了一遍验证集。

结果十分喜人，识别准确率达到了惊人的.62%。

这个成绩已经十分令人满意。

接下来，江寒就按照官网发布的说明，对自己的代码进行了一点处理。

主要是去掉一些调试语句，再将数据文件的接口，改成主办方要求的方式。