业余黑客有个潜规则。

政府机关、金融系统、电子商务……这类网站的后台，是机密重地，通常有高手坐镇，没事最好别去溜达。

被网监或者安全专家盯上，十有八九落不了好。

而个人网站、小型办公网络、学校网站……

这种信息安全不太敏感的，仅仅是浏览或下载一些数据，一般不会有什么大问题。

比如从铁道部官网12306爬点数据，做个辅助订票系统什么的……

但无论任何地方，肆意破坏总是不被允许的，这是底线。

《原始数据表》的奇怪情况，身份证位数不对，侧面支持了这种可能性。

通过黑客手段获取数据，有时候会遇到一些匪夷所思的问题，比如数据格式特殊，下载的数据宽度受限……

有时候，甚至在后台数据库里，只能找到数据的一部分，而其余部分被保存在无法访问的文件里。

写后台程序的人，会基于各种各样的理由，写出可读性极差的代码。

比如：读写效率、数据安全、修补bug、系统健壮……

又或者不想被人继承代码，取代自己的位置，甚至单纯为了个人兴趣、编程风格……

都可能导致这些人，搞出种种令人费解的骚操作。

当然，也可能老高的技术还有缺陷，或者他是从虚拟内存、交换文件里挖掘出来的数据。

也有可能在“作案”过程中被人盯上，不得不提前断开连接……

总之，摆在江寒面前的，就是这么两张各有缺陷的表格，外加一个图片压缩包。

接下来，江寒首先要做的，是从《原始数据表》里，筛选出需要的记录，复制到《报名信息表》里。

这一步非常简单，只要用excel自带的VBScript编写一个小脚本，将两个表格按照姓名匹配，就可以得到每个考生在原始表里的行号。

当然，同名同姓是避免不了的，可能报名信息里一个“张三”，在原始数据里会找到一堆“张三”……这个一会儿再说。

脚本编程非常简单，江寒只用了二十分钟，就写完程序并调试无误。

按了一下预设的快捷键，脚本开始执行。

一边是3万多行的考生姓名，一边是10万多行的原始数据，脚本足足跑了八分钟，才得到了一个映射关系表。

接下来，是第二个脚本，参照映射关系表，将原始数据文件筛选出需要保留的行，其他行全都删除，然后按照《报名信息表》的序号，重新进行排序，得到临时文件1。

这个临时文件的行数，要比报名表多出几千行，这是因为江寒对重名进行了处理，将重名的人都编上了相同的二级序号。

接下来处理重名。

经过一番分析，江寒发现，原始数据表和报名信息表里的数据，排列顺序是有规律的。

其以地区为主关键字，所在学校为次要关键字，而所在班级则是第三关键字排序。

也就是说，一个学校里，一个班级的人，都挨在一起，学校、地区之间也没有混乱。

这样就好办了。

由于临时文件已经按序号排列，重名的人拥有同样的二级序号，自然就聚拢在了一起。

这时，只要看一下这些人的所在地区和学校，就能轻松分辨出哪些是多余的，那个才是真正对应于《报名信息表》的。

如果一个班级也有同名，就只能具体情况具体分析了，实在确定不了的，就先记下来，放在一边，以后再说。

一番整理后，临时文件1已经十分接近高老师希望得到的《报名信息表》。

联系电话、家庭住址，毕业学校、班级、民族、年龄、出生年月日都有了。

接下来是重头戏，通过照片判断每个学生的性别。

幸运的是，虽然《原始数据表》里的身份证号，残缺不全，导致性别信息不可用，可是《报名信息表》里还有部分残余的性别数据。

这就给江寒减少了许多负担。

接下来，先将照片.rar解压，然后观察了一下。

三万多张照片，按学校、班级分类，放入几千个文件夹中。

每个文件的大小，都在10KB至30KB之间。

像素只有210*120，不算特别清晰，但看清面部特征，还是没什么问题的。

其中，同班级里重名的情况，都在姓名后标记着数字1、2……

江寒猜想，这可能是输入报名表的顺序。

接下来要做的，就是在临时文件1里，找到每张照片对应的人。

这很简单，照片的文件名就是姓名，轻松就能和表格里的名字对上。

在解决了数量不算很多的同班重名问题后，就生成了一个照片索引，将每一张照片和报名序号一一对应上了。

然后，是判断性别，填入新《报名信息表》对应的单元格里。

这一步，按照高老师的想法，就是一个笨功夫，用眼睛去看，然后一个一个敲进去。

这十分麻烦，而且太没效率。

江寒希望能找个轻巧的办法，能更快、更好的完成这一步。

那么，这样的办法真的有吗？

是的。

江寒毕竟搞过机器学习，编程思维有点不一样。

高老师那样的普通程序员，也能做到刚才那些步骤。

但江寒接下来的操作，就是他的思维盲区了。

机器学习里，有多种算法，都可以辅助完成这样的任务。

其中江寒最擅长的，自然是人工神经网络。

人工神经网络也分为好多种类。

比如，也就是卷积神经网络，是最擅长图形识别的；

而RNN，也就是循环神经网络，比较适合语音识别、自然语言理解……

如果采用人工神经网络，哪怕不出动，只用多层神经网络，也就是所谓的“深度学习”，也可以非常完美地解决这个问题。

但江寒琢磨了一下，还是放弃了这个想法。

一旦泄露出去，他很可能会有麻烦。

因为这些技术的来源，他根本没法解释。

技术跨度太大了。

好吧，安全第一，先用“感知机”凑合一下。

哪怕准确率低点，也无所谓了。

江寒现在唯一可以拿出来的，就是“单层感知机”。

这种技术只能解决二分类问题，并且还要求线性可分。

好在当前所面临的问题，这两个要求正好都符合。

江寒重生前，做过一个实验，用“单层感知机”识别手写数字，应用场景与现在差不多。

效果也还过得去。

所以，看照片识别男女的任务，完全可以使用“单层感知机”解决。

说起来，这可能是神经网络技术，在这个世界的第一次实战？

江寒前几天写的论文里，就有“单层感知机”的代码，稍微改动了一下，就能用上了。

研究机器学习，首选语言是Python，语法简单，开发效率高，不容易出错，也不用关心底层如何实现。

不过，这篇论文的代码，实在太简单，用什么都一样。

所以，江寒使用了最熟悉的C++。

代码略……

（PS：绝对不是空白太小写不下。）