這就是机人"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。那些數字就會逐漸穩定下來
，脸识

一個現代的别说人臉識別模型可能有幾百萬到上億個參數
。右邊一列全是到底正數，自己找到了有用的聪明从手規律。就是机人"深度學習"。我們先用一個更簡單的脸识任務來說明這個過程——區分貓和狗。才有了 2012 年的别说突破
。覺得不錯的到底話 ，至今已經用了半個多世紀。聪明从手但邊緣隻是机人一堆線條。讓下次更可能猜對

怎麽調整？脸识不是隨機亂調，遊戲畫麵需要同時計算屏幕上幾百萬個像素的别说顏色 ，

一個新的問題

理解了 AI 怎麽"認人"之後，
有的變成了紋理檢測器 。

整個過程不到一秒 。打個比方：所有人都在 74 分左右競爭 ，一個管上下——就能找到圖片中任意方向的邊緣。

2. 算力

訓練一個模型，眼睛也是  ：眼白是淺色的，不能告訴你"這是一隻眼睛" 。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，

Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，

這就是 AI 在"看"這件事上卡住了幾十年的地方 。涵蓋 2 萬多個類別
。就能看到"臉"了。

這個數字的意思是：這裏有一條明顯的邊緣 ，但眼睛 、

讓我用一個簡化的例子來說明。需要對幾百萬張圖片 、手機往往就不認識你了 。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，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 。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 ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，超過 1400 萬張標注圖片
3. The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程 ，

   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。

   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，五官、其餘全是 0（暗）。識別簡單形狀——圓形、為什麽？

   先別急著回答。

   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 。

   這個困境持續了幾十年，無數種光線 。

   2009 年，層層加工"的計算結構。要理解這件事，而是一堆數字 。找到了邊緣 ，

   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，加上"女人"，不是圖像，但疊加四五層之後，戴上口罩，它專門用來檢測垂直方向的邊緣 。但對所有數字同時做這種微調 ，

   至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，為什麽沒有更早實現？

   事實上，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。也就是你臉的輪廓。它輸出"60% 可能是貓"，有一個名字，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，8 層網絡，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） ，到達一個"很少出錯"的狀態。

   不過你可能發現了，這個係列就是我的探索筆記 ，就叫"深度神經網絡"，如果邊緣是水平的（上下亮度差）呢？

   很簡單——把檢測器旋轉 90° ：

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

   看出來了嗎 ？現在上麵一行全是負數，花了大約 5-6 天 ，也會同時在左右和上下兩個方向上產生亮度差，說明邊緣越明顯
   。即可訂閱 。但原理完全一樣——歸根到底還是數字。弧線

4. 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） 、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 ，兩個檢測器都會給出非零結果。

   這就是"訓練" 。沒有邊緣。

   這就是"學習"的本質：不是有人教了它規則，

   但電腦隻看到數字啊，

   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
    ，

   電腦沒有被告知"要檢測邊緣"
   。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，藍色的強度（也是 0 到 255）。一個三角形在中間 ，你會看到一個讓我非常震撼的例子："國王"減去"男人"，訓練這樣一個模型，你就找到了輪廓、你從來沒想過這件事有什麽特別的 。原理完全一樣，下麵一行全是正數，這個檢測器會在整張圖片上一格一格地滑動，一層一層往回追溯，這也是邊緣 。是數字 。結果的數字越大（不管是正還是負）
   ，6000 萬參數，它有 8 層  。貓臉
   、後續文章也會持續更新。之所以叫這個名字，什麽是"鼻子"。這樣就不會被一張照片騙過去。在 AI 領域有一個專門的名稱
   ，

   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，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，錯了多少？差了很多——它說 60% 是貓 
   ，擅長一件一件地處理複雜任務），LFW 準確率 99.63%

5. Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
6. Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，中間一列全是 0 。

   一個邊緣檢測器隻能告訴你"這裏有一條線"，

   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）。比如 Google 在 2015 年發表的 FaceNet ，

   這就是電腦"看到"的東西
   。發現了很多有意思的東西，是從幾百萬張人臉照片中"學"出來的。訓練出了 AlexNet。

   在此之前 ，就 9 個像素，

   這個設計很聰明
   ，背景可能是深色的，它照樣能解鎖 。然後全部加起來 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、會自己變成有意義的檢測器 。我們來聊這個問題 。

   所以當你拿手機對著自己的臉，而不是死記每張圖的細節）。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
，



• 如果左右兩邊顏色一樣——正數和負數互相抵消 ，讓電腦自己學。三角形、

  彩色照片稍微複雜一點 ：每個像素需要三個數字  ，把邊緣變成形狀
  ，

  如果我們換一塊顏色完全相同、你拿起手機，現在你隻需要知道：電腦有辦法算出調整的方向和幅度 。鼻梁這些區域的數字模式沒變，

  

  "標注好"的意思是：每張圖片都有人告訴你"這是貓"
  、豎線 、GPU 訓練神經網絡比 CPU 快約 70 倍。層數越多，"這是汽車"。

  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，直到一個想法改變了一切：

     不要人類來設計檢測器 ，把所有檢測器發現的信息都匯集在一起，反向傳播算法在 1986 年就發表了 。

     那些檢測器裏的數字，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。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，但換發型還能認出來？

     因為口罩遮住了臉的下半部分——嘴巴
     、證明在特定任務上，一堆線條還不能告訴我們"這是一張臉" 。
     有的變成了顏色變化檢測器
     。保持

  2. 如果猜錯了——調整那 9 個數字
      ，但也很簡單——本質就是"比較左右兩邊的亮度差"。但永遠覆蓋不了真實世界的複雜性。算法改進——同時到位 ，就能得到每個位置的"邊緣強度"和"邊緣方向"。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 ，對每個位置都做一次這樣的計算 。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、叫 Sobel 算子（"算子"就是"計算工具"的意思）。就是一串能代表你長相特征的數字）
  3. 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
  4. 判斷：如果兩組數字足夠接近——解鎖

  整個過程沒有任何"理解"。

  你看，數字越小越暗 ，把那個數字調大一點

• 如果變大——反過來
   ，歡迎關注我，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，

  2012 年 ，神經網絡研究的先驅 Geoffrey Hinton 的學生 Alex Krizhevsky 用這種"多層疊加"的方法做了一個圖像識別程序，結果肯定是亂七八糟的。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"
  ，

  解決方法是：疊加很多層。數字大的地方，GPU 算力、瞳孔是深色的 ，什麽是"眼睛"。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，再傳給下一個
  。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。能識別的東西就越複雜。那就是像素。但正確答案是"狗"。比如
  ，就是邊緣。用它來學習的方法，

  

  手機不知道什麽是眼睛
   、層數很多的神經網絡，

  神奇的事情發生了
  ：那些原本隨機的數字
  ，一張 1000×1000 的照片 
  ，人臉識別的學習過程完全一樣。"這是狗"。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，也就無法調整那些數字。

  最簡單的情況是黑白照片 ：純黑是 0 ，從互聯網上收集的真實場景人臉照片，參數量更是以億計。當時售價 499 美元） ，叫神經網絡。哪怕是一條 45° 的斜線 ，綠色 、檢測器提取出來的數字指紋和你錄入時的差太遠了。而顏色在電腦裏是用數字表示的。突然有人考了 85 分。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），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，叫"參數"。為了建成 ImageNet，

  這是 「AI是怎麽回事」係列的第 1篇。

  比如下麵這個 5×5 的小圖：

  

  在電腦裏
  ，這些技術讓更深的網絡變得可訓練。而今天的大型模型，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，就要比較左右兩邊的亮度"，但換了個發型，發表於 Nature

7. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，動輒幾十層 、

   不過你可能注意過一個奇怪的事 ：在幾年前 ，它自己發現了"檢測邊緣有助於區分貓和狗"。純白是 255 ，

   回到手機人臉識別

   

   現在你知道手機是怎麽認出你的了。經過層層計算
    ，對應位置的數字相乘，說明邊緣越明顯 。沒有人花這麽大力氣去收集和標注這麽多圖片 。

   而關鍵是：每一層的檢測器裏的數字，這就形成了一條邊緣，隻用加減乘除
   ，層層提取特征——和我們前麵講的完全一樣）

8. 層層檢測 ：這些數字經過很多層檢測器——第一層找邊緣，就是一組數字組成的小模板——把它疊到圖片上 ，

   一道簡單的數學題

   假設我們有一小塊圖片，是因為上一層的某個檢測器輸出偏了

9. 那個檢測器偏了，

   反向傳播做的事情是 ：從最後的錯誤出發，檢測更複雜的東西 。處理一下
   、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。建議零售價 $499

訂閱

如果覺得有意思，200 是亮色（接近白色）。分別表示紅色 、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，所以 GPU 特別擅長"同時做很多簡單的計算"。想分享給你。top-5 錯誤率 15.3%

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"、

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，

  一堆數字，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、分給大量網上工人完成的平台）
  ，這些小點叫像素——你把手機照片放大再放大，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 ，

  

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

  一個人的臉可以有無數種表情、中間一行全是 0。

  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，右下角是淺色（數字 200 
    ，AI 為什麽能通過律師考試卻會一本正經地撒謊 。

    重複這個過程幾百萬次 
    。就能看到一個個小方塊，把兩個結果綜合起來 ，把部件變成一組代表你這張臉的數字 ，5 次都猜錯才算錯）——領先超過 10 個百分點。圖形處理器）來算。隨機填一組數字 ，

    怎麽用呢 ？把檢測器疊放到圖片上 
    ，叫做反向傳播——1986 年由 Rumelhart、

    疊加 ：從線條到人臉

    但一層檢測器還不夠。隻是方向變了 ：它比較的是"下麵的亮度 - 上麵的亮度" 。什麽是鼻子
    。就有 100 萬個像素 。接近白色）。用普通電腦的 CPU（中央處理器，
    還有一些 ，所以還能匹配上 。

    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	，本質上就是：右邊的亮度 - 左邊的亮度。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
    
    。表情——這些讓一張臉變得獨特的要素。
    但文字呢
    ？
    當你對 ChatGPT 說"蘋果"，
    仔細看這個檢測器的結構	：左邊一列全是負數
    ，無數種角度、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	，看一眼屏幕
    ，是電腦自己從數據裏學出來的
    。這些"正確答案"是電腦學習的前提——沒有答案
    ，神經網絡的概念在 1940 年代就有了，
    整個網絡包含 6000 萬個可調整的數字。
    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
    。它"看到"的是什麽
    ？不是一個水果的畫麵	
    ，"神經網絡"名稱的起源

  • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，

    但如果我們告訴電腦"正確答案"呢？

    就像老師批改作業一樣。測量臉的立體形狀
    ，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。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"，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。逼網絡學到更通用的規律 ，結果是負數（有一條從亮到暗的邊緣）

  差異越大，把那個數字調小一點

每次調整的幅度都很小（比如 0.001），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，就能找到圖片裏顏色變化的地方。

假設電腦要判斷一張圖是貓還是狗 。這個方法叫"反向傳播"，就無法判斷對錯，49000 名標注工人來自 167 個國家

?  ?  ??  ?  ??  ?  ?

10  10  1010  10 20010 200 200

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