訂閱

如果覺得有意思 ，聪明从手結果的机人數字越大（不管是正還是負），

所以當你拿手機對著自己的脸识臉，

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

當它掃描圖片的别说一個區域時，叫 Sobel 算子（"算子"就是到底"計算工具"的意思） 。所以這幾層叫"卷積層"）。聪明从手Hinton 和 Williams 發表在《Nature》（全球最權威的机人科學期刊之一）上的一篇論文奠定了這個方法的基礎。本質上就是脸识 ：右邊的亮度 - 左邊的亮度。

那次突破有多震撼？别说在 ImageNet 圖像識別比賽中 ，

怎麽用呢  ？到底把檢測器疊放到圖片上
，就能看到"臉"了 。聪明从手哪怕是机人一條 45° 的斜線 ，自己找到了有用的脸识規律。這樣就不會被一張照片騙過去。别说

一個邊緣檢測器隻能告訴你"這裏有一條線"，

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。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，它"看到"的是什麽？不是一個水果的畫麵，想分享給你。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），藍色的強度（也是 0 到 255）。那些數字就會逐漸穩定下來 ，

重複這個過程幾百萬次。發現了很多有意思的東西，一堆線條還不能告訴我們"這是一張臉" 。它有 8 層
。但永遠覆蓋不了真實世界的複雜性 。這個方法叫"反向傳播"，第二層找形狀，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，斜線、

但如果我們告訴電腦"正確答案"呢？

就像老師批改作業一樣 。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。

邊緣勾勒出了圖片裏"有東西"的地方 。再傳給下一個 。

一個新的問題

理解了 AI 怎麽"認人"之後 ，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，就無法判斷對錯，歡迎關注我，

比如下麵這個 5×5 的小圖：

在電腦裏，

你看 ，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，什麽是"眼睛"。這也是邊緣。沒有人花這麽大力氣去收集和標注這麽多圖片 。接近黑色） ，"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"、但疊加四五層之後，打個比方：所有人都在 74 分左右競爭，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，也就無法調整那些數字
。在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，你會看到一個讓我非常震撼的例子 ："國王"減去"男人"，但也很簡單——本質就是"比較左右兩邊的亮度差"。

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 ，算法改進——同時到位，處理一下、一張 1000×1000 的照片 ，從 1.6 億張候選圖片中篩選和標注
。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"，在 AI 領域有一個專門的名稱 
，

假設電腦要判斷一張圖是貓還是狗。旗艦模型超過 1 億個參數
 ，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 ，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、發表於 Nature
3. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文
   ，到達一個"很少出錯"的狀態。但眼睛、越大越亮。參數量更是以億計 。什麽是"眼睛"，把兩個結果綜合起來 ，

   仔細看這個檢測器的結構：左邊一列全是負數，

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

   先別急著回答 。

   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，覺得不錯的話 ，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 ，

     這個困境持續了幾十年  ，

     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）。但換了個發型 ，對應位置的數字相乘
     ，

     電腦眼中的照片

     要理解手機怎麽"人臉識別" ，下麵一行全是正數 ，

     這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置。就是一組數字組成的小模板——把它疊到圖片上 ，

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了。需要給電腦看幾百萬張人臉照片，都不是人類設計的 ，綠色、每張都貼好標簽——"這是貓"、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，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
     ，

     不過你可能注意過一個奇怪的事 ：在幾年前，

     解決方法是：疊加很多層。

     

     這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
     ，這些"正確答案"是電腦學習的前提——沒有答案，

     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 。而是它從大量的對錯反饋中 ，是電腦自己從數據裏學出來的。對應位置相乘再相加（這個操作的專業名稱叫"卷積" ，檢測器關注的主要是五官區域的特征——發型變了，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞 、曲線

   • 第二層檢測器 ：把第一層找到的邊緣組合起來，別擔心 ，分別表示紅色 、下巴這些區域的麵部特征被口罩擋住了，會自己變成有意義的檢測器。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） 、中間有一條從左上到右下的分界線——這就是一條邊緣。但核心識別原理——把采集到的數據變成數字、200 是亮色（接近白色）
     。"這是汽車"。所以還能匹配上。但邊緣隻是一堆線條 。識別簡單形狀——圓形、他們第一次用數學來描述神經元的工作方式 。

     

     每個像素都有一個顏色 ，三角形 、

     

     GPU 原本是用來生成（渲染）遊戲畫麵的。"神經網絡"名稱的起源

   • ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，當時售價 499 美元），豎線、神經網絡的概念在 1940 年代就有了，

     整個過程不到一秒。表情——這些讓一張臉變得獨特的要素  。一個很大的正數 。訓練這樣一個模型 ，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 。完全不需要知道什麽是"臉"、檢測更複雜的東西。

     疊加 ：從線條到人臉

     但一層檢測器還不夠。比如
     ，結果是負數（有一條從亮到暗的邊緣）

   差異越大，GPU 訓練神經網絡比 CPU 快約 70 倍 。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，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，

   這個設計很聰明，中間一列全是 0
   。

   這需要大量的計算 。8 層網絡，檢測器提取出來的數字指紋和你錄入時的差太遠了
    。無數種角度 、

   這個數字的意思是：這裏有一條明顯的邊緣
   ，

   一道簡單的數學題

   假設我們有一小塊圖片 ，加上"女人"，保持

4. 如果猜錯了——調整那 9 個數字，就有 100 萬個像素。

   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 、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），讓下次更可能猜對

   怎麽調整？不是隨機亂調  ，動輒幾十層、每一張都要把所有參數調整一遍。

   2012 年 ，

   最簡單的情況是黑白照片
   ：純黑是 0，層數很多的神經網絡，

   一堆數字，它通過層層檢測器從數字中提取特征。然後比較兩組數字有多接近。

   3. 算法

   AlexNet 還用了幾個關鍵的技術改進。第一層隻能看到線條，而不是死記每張圖的細節）。6000 萬參數 ，而今天的大型模型 ，

   

5. 有人試著提取更複雜的特征 ："檢測眼睛的形狀"、數字越大 ，讓檢測結果更穩定。層層加工"的計算結構  。

   這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。鼻梁這些區域的數字模式沒變
   ，不是圖像，是數字。不能告訴你"這是一隻眼睛"
   。
   有的變成了紋理檢測器 。

   電腦用隨機檢測器算出一個結果，人臉識別的學習過程完全一樣。就能看到一個個小方塊，是從幾百萬張人臉照片中"學"出來的 。電腦的"大腦"，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。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，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。它專門用來檢測垂直方向的邊緣。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，它輸出"60% 可能是貓"
   ，解鎖。

   實際使用時，

   

   • 如果左右兩邊顏色一樣——正數和負數互相抵消，判斷"這是不是主人的臉"。

     如果我們換一塊顏色完全相同、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"。

     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。動用了來自 167 個國家的近 5 萬名標注工人，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 ，

     現在我用一個"檢測器"來掃描它 。需要對幾百萬張圖片 、這些技術讓更深的網絡變得可訓練
     。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、人類知道"要檢測垂直邊緣 ，數字大的地方，你就找到了輪廓
     、戴上口罩 ，後續文章也會持續更新。而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始
     ，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 ，

     那些檢測器裏的數字 ，這些小點叫像素——你把手機照片放大再放大，從左到右顏色在變亮。就 9 個像素 ，

     這是 「AI是怎麽回事」係列的第 1篇 。把那個數字調大一點

   • 如果變大——反過來 ，把形狀變成部件 ，這就形成了一條邊緣 ，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 ，沒有邊緣。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，但應該是 0%。數字越小越暗，隨機填一組數字，純白是 255
     ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，就叫"深度神經網絡"，

     這就是電腦"看到"的東西 。

     

     每天早上，

     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 ，兩個檢測器都會給出非零結果。測量臉的立體形狀，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，AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。取名 AlexNet（Alex 的網絡） 。一層一層往回追溯，結果是 0（沒有邊緣）

     • 如果右邊比左邊亮——正數那邊貢獻更大，圖形處理器）來算。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，

       手機不知道什麽是眼睛
       、
       有的變成了顏色變化檢測器 。

       讓我用一個簡化的例子來說明。用它來學習的方法，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。AI 為什麽能通過律師考試卻會一本正經地撒謊。經過層層計算 ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"。然後全部加起來。

       一個現代的人臉識別模型可能有幾百萬到上億個參數。貓臉 、涵蓋 2 萬多個類別 。但換發型還能認出來
       ？

       因為口罩遮住了臉的下半部分——嘴巴、這個係列就是我的探索筆記，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。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 ，算出每一個數字對這個錯誤的"貢獻"有多大。也就是你臉的輪廓 。原理完全一樣，就能得到每個位置的"邊緣強度"和"邊緣方向"。這些可調整的數字 ，為了建成 ImageNet ，

       但電腦隻看到數字啊，top-5 錯誤率 15.3%

     • AlexNet - Wikipedia — AlexNet 架構細節與參數量
     • FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。突然有人考了 85 分
        。這可能要算好幾個月甚至幾年。擅長一件一件地處理複雜任務）
       ，我們來聊這個問題。它隻是在做加減乘除：把像素變成邊緣
       ，GPU 算力
       、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，花了大約 5-6 天 ，就能找到圖片裏顏色變化的地方。即可訂閱 。是因為上一層的某個檢測器輸出偏了
     • 那個檢測器偏了，
       還有一些  ，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  ，現在你隻需要知道 ：電腦有辦法算出調整的方向和幅度。結果肯定是亂七八糟的。重複幾百萬次之後 ，

       這就是"學習"的本質 ：不是有人教了它規則
       ，它不知道什麽是"臉" 
       、錯了多少 ？差了很多——它說 60% 是貓，手機往往就不認識你了。讓電腦自己學
       。能識別的東西就越複雜 
       。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" 。第三層找五官部件 
，那就是像素。

• 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，其餘全是 0（暗） 。右邊一列全是正數，訓練出了 AlexNet
。但原理完全一樣——歸根到底還是數字。叫"參數"。逼網絡學到更通用的規律
，找到了邊緣，

不過你可能發現了 ，背景可能是深色的，

它錯了。

整個網絡包含 6000 萬個可調整的數字 。什麽是鼻子。

2009 年 ，鼻子（一個三角形輪廓）、ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，層層疊加

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	

，
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
，
這就是 AI 的"聰明"
：不是真的理解
，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，就是"深度學習"
。所以 GPU 特別擅長"同時做很多簡單的計算"。歡迎分享+關注
。分給大量網上工人完成的平台）
，為什麽沒有更早實現
？
事實上，最終的錯誤會變大還是變小
？
如果變小——好
，
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	，隻用加減乘除	
，但正確答案是"狗"
。把邊緣變成形狀	，說明邊緣越明顯。所謂檢測器，一個管上下——就能找到圖片中任意方向的邊緣
。沒有人告訴電腦"要檢測眼睛"，接近白色）
。瞳孔是深色的，比如 Google 在 2015 年發表的 FaceNet，我後麵會專門講	。Graphics Processing Unit，
這種"很多層檢測器疊加"的結構，是為了讓檢測器更關注正中間一行的變化	，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，證明在特定任務上，你從來沒想過這件事有什麽特別的
。這個檢測器會在整張圖片上一格一格地滑動	，綜合判斷最終結果）。
電腦沒有被告知"要檢測邊緣"

。5 次都猜錯才算錯）——領先超過 10 個百分點。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，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，就是邊緣
。
2012 年的突破用了一個聰明的辦法
：用遊戲顯卡（GPU
，
彩色照片稍微複雜一點：每個像素需要三個數字，你拿起手機，"這是狗"
。
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	，直到一個想法改變了一切：
不要人類來設計檢測器
，而是一堆數字
。都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，
反向傳播做的事情是
：從最後的錯誤出發

，
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，
一個人的臉可以有無數種表情
、說明邊緣越明顯。上百層
，和正確答案對比
：
如果猜對了——不錯，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
，排成 3×3	：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，
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）	
。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

每次調整的幅度都很小（比如 0.001），眼睛也是 ：眼白是淺色的，你很快就會明白。五官、反向傳播算法在 1986 年就發表了。

在此之前，把所有檢測器發現的信息都匯集在一起，

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
，看一眼屏幕 ，

這就是 AI 在"看"這件事上卡住了幾十年的地方。什麽是"鼻子" 。"這是狗" 、變成了"這個位置有沒有邊緣"的數字。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。我一直很好奇 AI 到底是怎麽工作的 ，