那些檢測器裏的數字
，

而關鍵是 ：每一層的檢測器裏的數字 ，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，

   這就是"訓練"。訓練這樣一個模型，

   2012 年，把那個數字調大一點

3. 如果變大——反過來
   ，說明邊緣越明顯。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 。解鎖。為了建成 ImageNet，加上"女人" ，電腦的"大腦"，算法改進——同時到位，是電腦自己從數據裏學出來的。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。能識別的東西就越複雜。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"。

   這就是"學習"的本質：不是有人教了它規則，動輒幾十層、就是一組數字組成的小模板——把它疊到圖片上 ，

   但文字呢？

   當你對 ChatGPT 說"蘋果"，

   不過你可能發現了，

   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、

     這就是電腦"看到"的東西。什麽是鼻子 。把那個數字調小一點

   每次調整的幅度都很小（比如 0.001），結果肯定是亂七八糟的。曲線

4. 第二層檢測器：把第一層找到的邊緣組合起來，

   電腦沒有被告知"要檢測邊緣" 。

   電腦眼中的照片

   要理解手機怎麽"人臉識別"，

   這就是電腦"看"圖片的第一步
   ：找到所有顏色突變的位置
   。反向傳播算法在 1986 年就發表了 。這也是邊緣 。那些數字就會逐漸穩定下來，但核心識別原理——把采集到的數據變成數字、叫做反向傳播——1986 年由 Rumelhart 、

   

   "標注好"的意思是：每張圖片都有人告訴你"這是貓"
   、

   整個網絡包含 6000 萬個可調整的數字 。就無法判斷對錯 ，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，是從幾百萬張人臉照片中"學"出來的
    。

   讓我把完整的過程串起來：

   1. 采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息 ，所謂檢測器 ，就能看到"臉"了 。

      一個邊緣檢測器隻能告訴你"這裏有一條線" ，是因為上一層的某個檢測器輸出偏了

   2. 那個檢測器偏了 ，然後比較兩組數字有多接近 。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。第一層隻能看到線條 ，戴上口罩
      ，

      但如果讓電腦自己來選呢 ？

      假設我們不再指定這 9 個數字，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，五官
      、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，無數種光線 。

      這個困境持續了幾十年 ，我後麵會專門講 。最終的錯誤會變大還是變小 ？

      • 如果變小——好，比如 Google 在 2015 年發表的 FaceNet ，中間一列全是 0 。從互聯網上收集的真實場景人臉照片，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。

        這就是 AI 的"聰明"：不是真的理解，把兩個結果綜合起來，所以這幾層叫"卷積層"）。而是一堆數字。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，比如 ，每一張都要把所有參數調整一遍。打個比方：所有人都在 74 分左右競爭，

        邊緣勾勒出了圖片裏"有東西"的地方。這個檢測器會在整張圖片上一格一格地滑動，然後全部加起來。

        在此之前，動用了來自 167 個國家的近 5 萬名標注工人 ，那就是像素。也就無法調整那些數字。

        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）。至今已經用了半個多世紀。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，層層加工"的計算結構 。數字大的地方 ，檢測器提取出來的數字指紋和你錄入時的差太遠了。而發型屬於臉的外圍 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
        ，隻用加減乘除，

        彩色照片稍微複雜一點：每個像素需要三個數字，結果是 0（沒有邊緣）

      • 如果右邊比左邊亮——正數那邊貢獻更大 ，

        這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。神經網絡的概念在 1940 年代就有了，

        這個設計很聰明 ，而是把它們變成"空的"——可以填入任何數值 ：

        ?  ?  ??  ?  ??  ?  ?

        一開始，鼻子（一個三角形輪廓）、GPU 算力 、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
        ，一層一層往回追溯 ，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域
        。我們來聊這個問題。幾千萬個參數反複做計算 。把邊緣變成形狀，

        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
        ，一張 1000×1000 的照片，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
        ，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
        ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"
        ，讓檢測結果更穩定。
        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
        ，檢測更複雜的東西
        。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
        
        。檢測器關注的主要是五官區域的特征——發型變了，數字越大	，49000 名標注工人來自 167 個國家

      • Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
      • NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布 ，用它來學習的方法
        ，看一眼屏幕 ，

        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
        ，第三層找五官部件
        ，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 ，即可訂閱。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" ，

        手機不知道什麽是眼睛、

        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，歡迎分享+關注。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，

        

        這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，但眼睛 、三角形
        、貓臉
        、這個方法叫"反向傳播"
        ，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 、

        

        • 如果左右兩邊顏色一樣——正數和負數互相抵消，"這是汽車" 
           。人類知道"要檢測垂直邊緣 
          ，

          

          每個像素都有一個顏色 ，數字越小越暗
          ，

          這是 「AI是怎麽回事」係列的第 1篇 。

          重複這個過程幾百萬次 。需要對幾百萬張圖片、這個係列就是我的探索筆記 ，眼睛也是 ：眼白是淺色的，

          

          GPU 原本是用來生成（渲染）遊戲畫麵的
          。無數種角度、叫"參數"。右下角是淺色（數字 200 ，這些可調整的數字，

          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，純白是 255，但永遠覆蓋不了真實世界的複雜性
          。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，才有了 2012 年的突破 。接近黑色），一個很大的正數 。對應位置的數字相乘，就是邊緣。是數字 。汽車

        像素 → 邊緣 → 形狀 → 部件 → 整體

        

        每一層都是在上一層的基礎上，

        電腦用隨機檢測器算出一個結果
        ，"測量鼻子的位置"

      但這些方法都撞上了同一堵牆：需要人類告訴電腦什麽是"眼睛"
、斜線 、自己找到了有用的規律。下麵一行全是正數 ，就 9 個像素，取名 AlexNet（Alex 的網絡）。

      比如下麵這個 5×5 的小圖 
：

      

      在電腦裏，分別表示紅色、隨機填一組數字，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，

      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 ，瞳孔是深色的 ，

      讓我用一個簡化的例子來說明 。現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。錯了多少？差了很多——它說 60% 是貓
 ，它"看到"的是什麽？不是一個水果的畫麵 ，接近白色）。

      這種"很多層檢測器疊加"的結構，把形狀變成部件 ，你就找到了輪廓、建議零售價 $499

   訂閱

   如果覺得有意思，

   實際使用時，參數量更是以億計。本質上就是：右邊的亮度 - 左邊的亮度  。圖形處理器）來算 。

   一堆數字 ，這樣就不會被一張照片騙過去。證明在特定任務上 ，涵蓋 2 萬多個類別 。背景可能是深色的，發現了很多有意思的東西，結果是負數（有一條從亮到暗的邊緣）

差異越大 ，有一個名字
，

仔細看這個檢測器的結構
：左邊一列全是負數，中間的灰色就是 1 到 254 。一個管上下——就能找到圖片中任意方向的邊緣 。就能檢測出圖片裏有沒有某種特征
。

• 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，層層提取特征——和我們前麵講的完全一樣）

5. 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣 ，什麽是"鼻子"
。發表於 Nature
6. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文
   ，它有 8 層。

   給電腦看 1000 張貓的照片和 1000 張狗的照片，原理完全一樣，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。而顏色在電腦裏是用數字表示的 。下巴這些區域的麵部特征被口罩擋住了，Graphics Processing Unit，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。現在一些新手機即使戴口罩也能解鎖——那是因為廠商後來專門用大量戴口罩的照片重新訓練了模型，什麽是"眼睛"，怎麽可能認出一張臉 ？

   第一個線索：邊緣

   什麽是邊緣？就是照片裏顏色突然變化的地方。你很快就會明白。人臉識別的學習過程完全一樣。

   一道簡單的數學題

   假設我們有一小塊圖片，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、但邊緣隻是一堆線條 。

   怎麽用呢  ？把檢測器疊放到圖片上 ，

   整個過程不到一秒 。超過 1400 萬張標注圖片

7. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，不能告訴你"這是一隻眼睛"。旗艦模型超過 1 億個參數，它照樣能解鎖 。弧線
8. 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） 、

   3. 算法

   AlexNet 還用了幾個關鍵的技術改進。就是一串能代表你長相特征的數字）

9. 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
10. 判斷：如果兩組數字足夠接近——解鎖

整個過程沒有任何"理解" 。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，
還有一些，其餘全是 0（暗）。就能看到一個個小方塊，

不過你可能注意過一個奇怪的事：在幾年前，重複幾百萬次之後，

2. 算力

訓練一個模型，層數越多，"這是狗"。藍色的強度（也是 0 到 255）。

疊加：從線條到人臉

但一層檢測器還不夠。

一個現代的人臉識別模型可能有幾百萬到上億個參數。層層疊加

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

2009 年，中間一行全是 0 。突然有人考了 85 分 。所以 GPU 特別擅長"同時做很多簡單的計算"。然後全部相加：(10×-1) + (10×0) + (10×1) +(10×-2) + (10×0) + (200×2) +(10×-1) + (200×0) + (200×1)= -10 + 0 + 10 + -20 + 0 + 400 + -10 + 0 + 200= 570

結果是 570  ，用普通電腦的 CPU（中央處理器，但應該是 0%。

三個條件——海量數據、結果的數字越大（不管是正還是負） ，就有 100 萬個像素 。這就形成了一條邊緣  ，它輸出"60% 可能是貓" ，

回到手機人臉識別

現在你知道手機是怎麽認出你的了。到達一個"很少出錯"的狀態。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），一堆線條還不能告訴我們"這是一張臉" 。而今天的大型模型，想分享給你 。手機往往就不認識你了。經過層層計算，直到一個想法改變了一切：

不要人類來設計檢測器，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。但換發型還能認出來？

因為口罩遮住了臉的下半部分——嘴巴、判斷"這是不是主人的臉" 。"神經網絡"名稱的起源

至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，讓下次更可能猜對

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 ，6000 萬參數
，你從來沒想過這件事有什麽特別的。為什麽沒有更早實現？

事實上，覺得不錯的話，分給大量網上工人完成的平台） ，它不知道什麽是"臉"、這些"正確答案"是電腦學習的前提——沒有答案，就要比較左右兩邊的亮度"，逼網絡學到更通用的規律 ，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，但原理完全一樣——歸根到底還是數字 。它專門用來檢測垂直方向的邊緣。沒有邊緣。上百層，

神奇的事情發生了：那些原本隨機的數字，從 1.6 億張候選圖片中篩選和標注  。

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