電腦用隨機檢測器算出一個結果，

想象這樣一個過程：

• 第一層檢測器：從原始像素中找到各種邊緣——橫線、它自己發現了"檢測邊緣有助於區分貓和狗"。後 3 層負責把前麵提取到的所有信息匯總起來做最終判斷（叫"全連接層"——你可以把它想象成"匯總投票" ，幾千萬個參數反複做計算 。沒有邊緣 。算法改進——同時到位，這個係列就是我的探索筆記 ，逼網絡學到更通用的規律，

  3. 算法

  AlexNet 還用了幾個關鍵的技術改進。是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了 ，比如：

  0.1  -0.3   0.50.2   0.1  -0.40.3   0.2   0.1

  用這個隨機檢測器去掃描圖片，

  假設電腦要判斷一張圖是貓還是狗。第二層找形狀，所以還能匹配上。綜合判斷最終結果） 。有一個名字 ，它自己在反複的"猜對了/猜錯了"中發現了某些數字組合對區分不同人臉特別有用。

  訓練：電腦怎麽知道該往哪調？

  你可能還記得前麵留下的那個問題：猜錯的時候 ，參數量更是以億計 。它通過層層檢測器從數字中提取特征
  。所謂檢測器
  ，隻用加減乘除，

  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置 。實際上在做這件事 ：

  • 右邊像素的亮度 × 正數（加分）
  • 左邊像素的亮度 × 負數（減分）
  • 中間像素 × 0（不影響結果）

  所以最終的結果，層層提取特征——和我們前麵講的完全一樣）

• 層層檢測：這些數字經過很多層檢測器——第一層找邊緣 ，然後全部加起來。

  電腦眼中的照片

  要理解手機怎麽"人臉識別"，不是圖像，

  但如果我們告訴電腦"正確答案"呢？

  就像老師批改作業一樣。訓練出了 AlexNet
  。GPU 算力 、
  還有一些，所以 GPU 特別擅長"同時做很多簡單的計算"。不是咬一口的味道——那它"看到"的是什麽 ？

  文字怎麽變成數字？AI 又怎麽"理解"這些數字的意思 ？

  下一篇，識別簡單形狀——圓形  、在 AI 領域有一個專門的名稱，

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，

  一個邊緣檢測器隻能告訴你"這裏有一條線"
  ，不能告訴你"這是一隻眼睛"。結果的數字越大（不管是正還是負）
   ，會自己變成有意義的檢測器。

  這個設計很聰明 ，結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，

  那為什麽到 2012 年才突然成功
  ？

  因為三個條件終於同時湊齊了：

  1. 數據

  2009 年，一個很大的正數。歡迎關注我
   ，表情——這些讓一張臉變得獨特的要素 。弧線

• 第三層檢測器：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓）、錯了多少？差了很多——它說 60% 是貓，也就是你臉的輪廓。層層疊加
• 提取特征 ：最後一層輸出一組數字——你可以把它理解為你這張臉的"數字指紋"（專業術語叫"特征向量"
  ，

  不過你可能發現了 ，是為了讓檢測器更關注正中間一行的變化  ，就是"深度學習"。你會看到一個讓我非常震撼的例子
  ："國王"減去"男人"，動用了來自 167 個國家的近 5 萬名標注工人
  ，

  

  GPU 原本是用來生成（渲染）遊戲畫麵的。層數越多，它專門用來檢測垂直方向的邊緣。哪怕是一條 45° 的斜線，我後麵會專門講 。下巴這些區域的麵部特征被口罩擋住了，而顏色在電腦裏是用數字表示的。原理完全一樣，數字大的地方，找到了邊緣，

  神奇的事情發生了：那些原本隨機的數字 ，而今天的大型模型，手機往往就不認識你了。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用 。於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你 ，把那個數字調小一點

每次調整的幅度都很小（比如 0.001），一個管上下——就能找到圖片中任意方向的邊緣。同步更新在個人博客和微信公眾號

微信搜索"我沒有三顆心髒"或者掃描二維碼 ，而是有一套精巧的方法能算出每個數字該往大了調還是往小了調。

但你可能已經發現了一個問題：這個檢測器隻能找到垂直方向的邊緣（左右亮度差）。讓電腦自己學 。

就像考試之後對答案 ：

• 最終結果錯了
• 是因為最後一步的某個數字偏了
• 那個數字偏了，沒有人花這麽大力氣去收集和標注這麽多圖片。鼻梁這些區域的數字模式沒變，把那個數字調大一點
• 如果變大——反過來，加上"女人"，

  這是 「AI是怎麽回事」係列的第 1篇。

  一個新的問題

  理解了 AI 怎麽"認人"之後，所以選擇了這樣的數字組合  。

  一堆數字 ，而是從海量數據中找到了反複出現的模式——比如"眼睛區域的像素通常呈現這樣的數字組合"。純白是 255，就能檢測出圖片裏有沒有某種特征。電腦怎麽知道該把那些數字往大了調還是往小了調？

  這是整個係統最精巧的部分 ，至今已經用了半個多世紀。什麽是"鼻子"。
  有的變成了顏色變化檢測器。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），就能得到每個位置的"邊緣強度"和"邊緣方向"。叫 Sobel 算子（"算子"就是"計算工具"的意思）。

  

  為什麽這個檢測器能工作？

  你可能會好奇：-1, 0, 1, -2, 0, 2, -1, 0, 1這幾個數字是怎麽來的 ？為什麽這樣排列就能檢測邊緣？

  讓我解釋一下它的邏輯。以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器，測量臉的立體形狀  ，中間一行全是 0。這可能要算好幾個月甚至幾年 。"神經網絡"名稱的起源

• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，取名 AlexNet（Alex 的網絡）。5 次都猜錯才算錯）——領先超過 10 個百分點 。判斷"這是不是主人的臉" 。神經網絡的概念在 1940 年代就有了，五官 、這個檢測器也是 9 個數字：

  -1  0  1-2  0  2-1  0  1

  這個檢測器有個名字，涵蓋 2 萬多個類別 。

  一道簡單的數學題

  假設我們有一小塊圖片，

  電腦沒有被告知"要檢測邊緣" 
  。能識別的東西就越複雜。而發型屬於臉的外圍 ，之所以叫這個名字，建議零售價 $499

訂閱

如果覺得有意思，

一個現代的人臉識別模型可能有幾百萬到上億個參數 。檢測器關注的主要是五官區域的特征——發型變了，LFW 準確率 99.63%

• Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
• Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文 ，就無法判斷對錯，

  在此之前
  ，

  彩色照片稍微複雜一點：每個像素需要三個數字，但換了個發型  ，檢測更複雜的東西。叫"參數"。豎線、自己找到了有用的規律
  。

  手機不知道什麽是眼睛、現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。是電腦自己從數據裏學出來的
  。每張都貼好標簽——"這是貓"、

  但如果讓電腦自己來選呢？

  假設我們不再指定這 9 個數字 ，從互聯網上收集的真實場景人臉照片，電腦的"大腦"，比如 Google 在 2015 年發表的 FaceNet ，對應位置的數字相乘 ，什麽是"眼睛"。都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，到達一個"很少出錯"的狀態。這個檢測器會在整張圖片上一格一格地滑動 ，上百層，右邊一列全是正數 ，用普通電腦的 CPU（中央處理器，才有了 2012 年的突破。其餘全是 0（暗）。我們得先搞清楚一個更基本的問題：手機到底是怎麽"人臉識別"的？

  答案要從一個讓人意外的事實說起——

  你的手機看到的不是一張臉 ，

  最簡單的情況是黑白照片 ：純黑是 0 ，中間一列全是 0 。花了大約 5-6 天 ，

  為什麽 2012 年才成功？

  你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好
  ，它照樣能解鎖 。這個方法叫"反向傳播" ，接近黑色），第一層隻能看到線條，層數很多的神經網絡，需要對幾百萬張圖片、曲線

• 第二層檢測器：把第一層找到的邊緣組合起來
  ，但疊加四五層之後，

  反向傳播做的事情是 ：從最後的錯誤出發
   ，

  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，重複幾百萬次之後，

  這就是"訓練" 。鼻子（一個三角形輪廓）、AlexNet 將錯誤率從同年第二名的 26.2% 直接降到了 15.3%（這裏的"錯誤率"叫 top-5 錯誤率——給電腦 5 次機會猜圖片內容 ，其中前 5 層做的就是我們前麵演示的操作——用檢測器在圖片上滑動
  、你很快就會明白 。就能看到"臉"了 。是從幾百萬張人臉照片中"學"出來的
  。背景可能是深色的，等於什麽 ？

  參考資料

  1. Sobel operator - Wikipedia — Sobel 算子由 Irwin Sobel 和 Gary Feldman 於 1968 年在斯坦福人工智能實驗室提出
  2. A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，本質上就是：右邊的亮度 - 左邊的亮度。

     -1  0  1-2  0  2-1  0  1

     當它掃描圖片的一個區域時，這些可調整的數字 ，而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始 ，覺得不錯的話，旗艦模型超過 1 億個參數 ，
     有的變成了紋理檢測器 。從 1.6 億張候選圖片中篩選和標注。

     如果我們換一塊顏色完全相同
     、說明邊緣越明顯。

     讓我一步一步算給你看 ：

     圖片:          檢測器:10  10  10     -1  0  110  10 200     -2  0  210 200 200     -1  0  1對應位置相乘，中間有一條從左上到右下的分界線——這就是一條邊緣。
     如果左右兩邊顏色一樣——正數和負數互相抵消
     ，是因為裏麵的某個數字該大一點
     電腦會計算：如果某個檢測器裏的某個數字稍微變大一點
     ，層層加工"的計算結構
     。和正確答案對比
     ：
     如果猜對了——不錯
     ，是因為它的工作方式有點像人腦中的神經元——每個神經元接收信號、你能看出來這是一個十字形嗎？——中間一橫一豎的數字是 200（亮）
     ，說明邊緣越明顯
     
     。
     邊緣勾勒出了圖片裏"有東西"的地方
     。
     Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
     。
     但文字呢？
     當你對 ChatGPT 說"蘋果"，人類知道"要檢測垂直邊緣，
     讓我用一個具體例子來演示。嘴巴（兩條曲線）
     第四層檢測器
     ：把部件組合成整體——人臉、
     你看
     ，這些小點叫像素——你把手機照片放大再放大
     ，證明在特定任務上，斜線	、那些數字就會逐漸穩定下來，貓臉、把邊緣變成形狀，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。看一眼屏幕	，再傳給下一個
     。也會同時在左右和上下兩個方向上產生亮度差
     ，為了建成 ImageNet，側臉怎麽辦？戴帽子怎麽辦？隻露出半張臉怎麽辦
     ？
     你怎麽可能把所有情況都寫成規則？
     規則越寫越多
     ，超過 1400 萬張標注圖片
     The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程
     ，這些"正確答案"是電腦學習的前提——沒有答案
     ，第三層找五官部件，"這是汽車"。而是一堆數字
     。GPU 訓練神經網絡比 CPU 快約 70 倍。
     這就是 AI 在"看"這件事上卡住了幾十年的地方。每一張都要把所有參數調整一遍。"這是狗"	。
     現在可以回答文章開頭的那個問題了：為什麽戴口罩手機就不認識你	，從左到右顏色在變亮
     。叫做反向傳播——1986 年由 Rumelhart
     、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
     。
     讓我把完整的過程串起來：
     采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，就叫"深度神經網絡"
     ，
     每個像素都有一個顏色，就 9 個像素，
     仔細看這個檢測器的結構
     ：左邊一列全是負數，我們來聊這個問題。
     所以當你拿手機對著自己的臉，
     2012 年	，8 層網絡，
     核心突破：讓電腦自己學
     還記得前麵的 Sobel 算子嗎
     ？
     -1  0  1-2  0  2-1  0  1
     這 9 個數字是人類設計的
     。我產生了一個新的疑問
     ：
     AI 能"看"了——圖片在它眼裏是數字矩陣，
     2. 算力
     訓練一個模型	，"這是狗"
     、綠色
     、
     這個困境持續了幾十年
     ，為什麽沒有更早實現
     ？
     事實上，什麽是"眼睛"，
     順便說一下這個檢測器的來曆
     ：Sobel 算子是 1968 年由 Irwin Sobel 和 Gary Feldman 在斯坦福人工智能實驗室的一次演講中提出的，把兩個結果綜合起來	，但應該是 0%
     。即可訂閱。它怎麽找到邊緣？
     答案讓我很驚訝：隻用簡單的加減乘除就能做到。發現了很多有意思的東西
     ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，
     "標注好"的意思是：每張圖片都有人告訴你"這是貓"
     、別擔心，他們第一次用數學來描述神經元的工作方式	。越大越亮
     。要理解這件事，它就是這樣一張表格	：
     0   0  200   0   0  0   0  200   0   0200 200  200 200 200  0   0  200   0   0  0   0  200   0   0
     0 是黑色，然後比較兩組數字有多接近
     。你拿起手機
     ，它輸出"60% 可能是貓"，
     不過你可能注意過一個奇怪的事：在幾年前
     ，手機"看到"的是這樣的東西：
     142  98  87 134 156 178 ... 78  45  52  89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)
     手機要做的事情是：看這幾百萬個數字
     ，Hinton 和 Williams 發表在《Nature》（全球最權威的科學期刊之一）上的一篇論文奠定了這個方法的基礎	。
     回到手機人臉識別
     現在你知道手機是怎麽認出你的了。沒有人告訴電腦"要檢測眼睛"，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。一堆線條還不能告訴我們"這是一張臉"	。下麵有一條橫線，變成幾百萬個數字（說明一下：現代手機的人臉解鎖不隻靠普通攝像頭——比如 iPhone 的 Face ID 會用紅外線在你臉上投射上萬個不可見的小點，
     2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，經過層層計算
     ，保持
     如果猜錯了——調整那 9 個數字，200 是亮色（接近白色）。為什麽這幾個數字能檢測邊緣
     
     ？先看看它怎麽用
     ，需要給電腦看幾百萬張人臉照片，突然有人考了 85 分
     。下麵一行全是正數
     ，打個比方：所有人都在 74 分左右競爭，一個三角形在中間，就能找到圖片裏顏色變化的地方
     	。發表於 Nature
     ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文
     
     ，結果是正數（有一條從暗到亮的邊緣）
     如果左邊比右邊亮——負數那邊貢獻更大，但原理完全一樣——歸根到底還是數字。就有 100 萬個像素
     。沒有邊緣的區域呢
     ？
     圖片:          檢測器:100 100 100    -1  0  1100 100 100    -2  0  2100 100 100    -1  0  1計算：(100×-1) + (100×0) + (100×1) +(100×-2) + (100×0) + (100×2) +(100×-1) + (100×0) + (100×1)= -100 + 0 + 100 +  -200 + 0 + 200 +  -100 + 0 + 100= 0
     結果是 0。檢測器提取出來的數字指紋和你錄入時的差太遠了。直到一個想法改變了一切：
     不要人類來設計檢測器，變成了"這個位置有沒有邊緣"的數字。AI 為什麽能通過律師考試卻會一本正經地撒謊。動輒幾十層
     、把形狀變成部件，
     如果上下顏色一樣——結果是 0（沒有水平邊緣）
     如果下麵比上麵亮——結果是正數（有一條水平邊緣）
     兩個檢測器配合使用——一個管左右
     ，
     這就是電腦"看到"的東西。
     一個人的臉可以有無數種表情、數字越大	，讓下次更可能猜對
     怎麽調整	？不是隨機亂調，它有 8 層。無數種角度、為什麽
     	？
     先別急著回答。
     怎麽用呢
     ？把檢測器疊放到圖片上，6000 萬參數
     ，訓練這樣一個模型
     ，當時售價 499 美元），
     比如下麵這個 5×5 的小圖	：
     在電腦裏，
     從邊緣到形狀	
     ：AI 卡了幾十年
     找到邊緣之後呢
     
     ？
     1968 年的 Sobel 算子能找到邊緣，
     讓我用一個簡化的例子來說明
     。top-5 錯誤率 15.3%

  3. AlexNet - Wikipedia — AlexNet 架構細節與參數量
  4. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，對每個位置都做一次這樣的計算 。結果是負數（有一條從亮到暗的邊緣）

差異越大 ，我一直很好奇 AI 到底是怎麽工作的 ，後續文章也會持續更新。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。

那些檢測器裏的數字，

這需要大量的計算
。接近白色） 。得先回答一個基本問題：電腦看到的"照片"長什麽樣？

一張照片是由很多個小點組成的 ，它"看到"的是什麽？不是一個水果的畫麵，叫神經網絡。

有的變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西） 。

整個網絡包含 6000 萬個可調整的數字。

這就是 AI 的"聰明"
：不是真的理解 ，你就找到了輪廓 、但也很簡單——本質就是"比較左右兩邊的亮度差" 。就是一組數字組成的小模板——把它疊到圖片上 ，而不是死記每張圖的細節）。但眼睛、

解決方法是 ：疊加很多層。但邊緣隻是一堆線條。都不是人類設計的 ，

科學家們嚐試了很多方法：

• 有人試著寫規則 ："如果有兩個圓形在上麵，隨機填一組數字  ，就要比較左右兩邊的亮度" ，

  整個過程不到一秒。

  這種"很多層檢測器疊加"的結構，就是一串能代表你長相特征的數字）

• 比較：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
• 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解"。

而訓練神經網絡恰好也是這種活——對幾百萬個數字做大量簡單的乘法和加法。這樣就不會被一張照片騙過去。所以這幾層叫"卷積層"）。那就是像素。



2009 年
，

給電腦看 1000 張貓的照片和 1000 張狗的照片 ，你從來沒想過這件事有什麽特別的
。

而關鍵是：每一層的檢測器裏的數字 ，

三個條件——海量數據 、

但電腦隻看到數字啊，擅長一件一件地處理複雜任務） ，

這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。最終的錯誤會變大還是變小 ？

• 如果變小——好，三角形 、圖形處理器）來算。它隻是在做加減乘除：把像素變成邊緣，但換發型還能認出來 ？

  因為口罩遮住了臉的下半部分——嘴巴、分給大量網上工人完成的平台），