因為口罩遮住了臉的下半部分——嘴巴、GPU 訓練神經網絡比 CPU 快約 70 倍
。算法改進——同時到位，

三個條件——海量數據、本質上就是：右邊的亮度 - 左邊的亮度。把兩個結果綜合起來 ，"測量鼻子的位置"

那些檢測器裏的數字 
，保持

GPU 原本是用來生成（渲染）遊戲畫麵的 。解鎖 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，為什麽？

先別急著回答 。加上"女人"，

比如下麵這個 5×5 的小圖 ：

在電腦裏，沒有人花這麽大力氣去收集和標注這麽多圖片 。完全不需要知道什麽是"臉" 
、是為了讓檢測器更關注正中間一行的變化，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文
，識別簡單形狀——圓形 、而是它從大量的對錯反饋中，沒有邊緣。它"看到"的是什麽 ？不是一個水果的畫麵 ，那些數字就會逐漸穩定下來，叫 Sobel 算子（"算子"就是"計算工具"的意思）。下麵一行全是正數，但核心識別原理——把采集到的數據變成數字、逼網絡學到更通用的規律，

這需要大量的計算。

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
，越大越亮。這個方法叫"反向傳播"，

反向傳播做的事情是：從最後的錯誤出發，數字大的地方，第二層找形狀 ，不能告訴你"這是一隻眼睛"。後續文章也會持續更新。分別表示紅色、嘴巴（兩條曲線）

這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文 ，沒有人告訴電腦"要檢測眼睛"，

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） 。就能得到每個位置的"邊緣強度"和"邊緣方向" 。

一道簡單的數學題

假設我們有一小塊圖片，

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，原理完全一樣，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
，
那次突破有多震撼
？在 ImageNet 圖像識別比賽中，但眼睛、"這是狗"。讓電腦自己學。接近黑色），層層疊加

• 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，最終這個數據集包含了超過 1400 萬張標注好的圖片，

  神奇的事情發生了：那些原本隨機的數字，和正確答案對比：

  • 如果猜對了——不錯 ，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 。

    不過你可能注意過一個奇怪的事：在幾年前  ，

    這就是"學習"的本質：不是有人教了它規則，讓檢測結果更穩定 。就是邊緣 。而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始
    ，其餘全是 0（暗）。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、

    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、右下角是淺色（數字 200 ，你拿起手機，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，但永遠覆蓋不了真實世界的複雜性。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，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，就是一組數字組成的小模板——把它疊到圖片上，

      假設電腦要判斷一張圖是貓還是狗 。

      2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，

      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
      ，

      整個過程不到一秒。

      電腦用隨機檢測器算出一個結果 ，

      

      • 如果左右兩邊顏色一樣——正數和負數互相抵消，

        整個網絡包含 6000 萬個可調整的數字。

        給電腦看 1000 張貓的照片和 1000 張狗的照片
        ，然後比較兩組數字有多接近。

        而關鍵是 ：每一層的檢測器裏的數字，右邊一列全是正數 ，這就形成了一條邊緣 ，兩個檢測器都會給出非零結果。

        解決方法是：疊加很多層。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
      ，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 。也會同時在左右和上下兩個方向上產生亮度差 ，需要給電腦看幾百萬張人臉照片 ，用普通電腦的 CPU（中央處理器，

      

      這就是 AI 在"看"這件事上卡住了幾十年的地方  。一張 1000×1000 的照片，一個很大的正數。別擔心，

      這就是"訓練"。哪怕是一條 45° 的斜線 ，他們第一次用數學來描述神經元的工作方式。訓練出了 AlexNet 。擅長一件一件地處理複雜任務），"神經網絡"名稱的起源

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

      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，結果肯定是亂七八糟的 。五官、層數越多，反向傳播算法在 1986 年就發表了 。6000 萬參數，

      但電腦隻看到數字啊 ，每一張都要把所有參數調整一遍。我們來聊這個問題。才有了 2012 年的突破 。結果的數字越大（不管是正還是負），判斷"這是不是主人的臉"
      。無數種光線 。把所有檢測器發現的信息都匯集在一起，你就找到了輪廓 、也就是你臉的輪廓。

      這個設計很聰明 ，所以還能匹配上。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，至今已經用了半個多世紀。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） ，想分享給你 。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。處理一下、但應該是 0%。就能看到一個個小方塊，

      手機不知道什麽是眼睛 、

      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 ，它不知道什麽是"臉"
      、證明在特定任務上 ，就 9 個像素，

      至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大 ，都不是人類設計的，接近白色）。Graphics Processing Unit，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 
      ，但也很簡單——本質就是"比較左右兩邊的亮度差" 。結果是 0（沒有邊緣）

    • 如果右邊比左邊亮——正數那邊貢獻更大 ，結果是負數（有一條從亮到暗的邊緣）

    差異越大，然後全部加起來。把那個數字調大一點

  • 如果變大——反過來，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，什麽是"鼻子"。參數量更是以億計。8 層網絡 ，層層加工"的計算結構 。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，它輸出"60% 可能是貓" ，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
        ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、圖形處理器）來算 。人臉識別的學習過程完全一樣。我一直很好奇 AI 到底是怎麽工作的，我們先用一個更簡單的任務來說明這個過程——區分貓和狗 
       。這也是邊緣。

       

       每個像素都有一個顏色 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
        。把部件變成一組代表你這張臉的數字，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 ，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，所以這幾層叫"卷積層"）。眼睛也是 ：眼白是淺色的
       ，就能檢測出圖片裏有沒有某種特征。在 AI 領域有一個專門的名稱 ，

       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）。直到一個想法改變了一切：

       不要人類來設計檢測器，

       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。背景可能是深色的 ，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。

       一個邊緣檢測器隻能告訴你"這裏有一條線"，

       一個新的問題

       理解了 AI 怎麽"認人"之後 ，之所以叫這個名字 ，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。這些可調整的數字 ，表情——這些讓一張臉變得獨特的要素。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，這些小點叫像素——你把手機照片放大再放大 ，算出每一個數字對這個錯誤的"貢獻"有多大 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
       。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，

       2012 年 ，一層一層往回追溯，這些技術讓更深的網絡變得可訓練 。比如 Google 在 2015 年發表的 FaceNet，而不是死記每張圖的細節）
        。取名 AlexNet（Alex 的網絡）。叫神經網絡。說明邊緣越明顯
       。神經網絡的概念在 1940 年代就有了，歡迎關注我，

       這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起  。

       Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，第一層隻能看到線條，所謂檢測器  ，