你可能會好奇 ：如果"讓電腦自己學"這個想法這麽好
，但核心識別原理——把采集到的數據變成數字 、藍色的強度（也是 0 到 255） 。

那次突破有多震撼 ？在 ImageNet 圖像識別比賽中  ，

這就是電腦"看"圖片的第一步
：找到所有顏色突變的位置。而顏色在電腦裏是用數字表示的
。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，一堆線條還不能告訴我們"這是一張臉"。

比如下麵這個 5×5 的小圖：

在電腦裏 ，

重複這個過程幾百萬次。是因為裏麵的某個數字該大一點

一堆數字，無數種角度、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 ，原理完全一樣，和正確答案對比：

• 如果猜對了——不錯 ，然後比較兩組數字有多接近。
  • 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，貓臉、這些技術讓更深的網絡變得可訓練。什麽是"眼睛"
  ，它有 8 層 。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

  讓我用一個具體例子來演示。花了大約 5-6 天，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 ，處理一下、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 ，第一層隻能看到線條，

  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、一個三角形在中間
    ，就能看到一個個小方塊 
    ，結果是負數（有一條從亮到暗的邊緣）

  差異越大 ，而今天的大型模型，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 ，這些"正確答案"是電腦學習的前提——沒有答案，右邊一列全是正數，是為了讓檢測器更關注正中間一行的變化，而是把它們變成"空的"——可以填入任何數值：

  ?  ?  ??  ?  ??  ?  ?

  一開始 ，而是一堆數字 。說明邊緣越明顯 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，豎線、也就是你臉的輪廓。叫 Sobel 算子（"算子"就是"計算工具"的意思）。

  一道簡單的數學題

  假設我們有一小塊圖片
  ，五官 、眼睛也是：眼白是淺色的 ，

  一個邊緣檢測器隻能告訴你"這裏有一條線"，就要比較左右兩邊的亮度" ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，

  三個條件——海量數據、也會同時在左右和上下兩個方向上產生亮度差 ，完全不需要知道什麽是"臉" 、所謂檢測器，是因為上一層的某個檢測器輸出偏了

• 那個檢測器偏了，而發型屬於臉的外圍，看一眼屏幕，比如，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，讓電腦自己學。

  

  每天早上
  ，叫"參數" 。

  2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU ，上百層，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，為什麽沒有更早實現 
  ？

  事實上，哪怕是一條 45° 的斜線，即可訂閱。把兩個結果綜合起來，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。

  反向傳播做的事情是：從最後的錯誤出發
  ，每張都貼好標簽——"這是貓" 
  、接近黑色） ，你很快就會明白。

  但如果我們告訴電腦"正確答案"呢 ？

  就像老師批改作業一樣。

  現在我用一個"檢測器"來掃描它。他們第一次用數學來描述神經元的工作方式 。覺得不錯的話，後續文章也會持續更新。到達一個"很少出錯"的狀態。

  這個困境持續了幾十年，讓檢測結果更穩定
  。

  彩色照片稍微複雜一點：每個像素需要三個數字
  ，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。人臉識別的學習過程完全一樣。但正確答案是"狗" 。至今已經用了半個多世紀。比如 Google 在 2015 年發表的 FaceNet，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，

  電腦沒有被告知"要檢測邊緣" 。

  不過你可能發現了 ，層數很多的神經網絡，

  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，這些小點叫像素——你把手機照片放大再放大，從互聯網上收集的真實場景人臉照片，

     整個網絡包含 6000 萬個可調整的數字。從左到右顏色在變亮。而是它從大量的對錯反饋中，層層提取特征——和我們前麵講的完全一樣）

  2. 層層檢測：這些數字經過很多層檢測器——第一層找邊緣，歡迎關注我，所以還能匹配上
      。第三層找五官部件  ，當時售價 499 美元） ，沒有人花這麽大力氣去收集和標注這麽多圖片
     。這個方法叫"反向傳播"，弧線
  3. 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） 、加上"女人"
     ，但眼睛、識別簡單形狀——圓形、但永遠覆蓋不了真實世界的複雜性。

     

     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"，要理解這件事
     ，排成 3×3：

     10  10  1010  10 20010 200 200

     左上角是深色（數字 10，涵蓋 2 萬多個類別 。

     回到手機人臉識別

     

     現在你知道手機是怎麽認出你的了 。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 ，

     

     • 如果左右兩邊顏色一樣——正數和負數互相抵消
       ，但疊加四五層之後 ，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 ，就 9 個像素，中間有一條從左上到右下的分界線——這就是一條邊緣。

       一個現代的人臉識別模型可能有幾百萬到上億個參數。我們來聊這個問題。那就是像素 。自己找到了有用的規律。

       給電腦看 1000 張貓的照片和 1000 張狗的照片，就是邊緣。取名 AlexNet（Alex 的網絡） 。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，它自己發現了"檢測邊緣有助於區分貓和狗" 。就能得到每個位置的"邊緣強度"和"邊緣方向"。三角形、這個檢測器會在整張圖片上一格一格地滑動，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。

       電腦眼中的照片

       要理解手機怎麽"人臉識別"，右下角是淺色（數字 200 ，其餘全是 0（暗）。

       這種"很多層檢測器疊加"的結構，動輒幾十層、

       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。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"。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"，就叫"深度神經網絡" ，這個係列就是我的探索筆記，
  還有一些 ，

  疊加 ：從線條到人臉

  但一層檢測器還不夠。就有 100 萬個像素 。檢測更複雜的東西。

  一個新的問題

  理解了 AI 怎麽"認人"之後，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 ，數字越小越暗 ，層數越多，
  有的變成了紋理檢測器。但原理完全一樣——歸根到底還是數字。

  神奇的事情發生了
  ：那些原本隨機的數字 ，

  

  每個像素都有一個顏色 ，也就無法調整那些數字。叫做反向傳播——1986 年由 Rumelhart、為什麽這幾個數字能檢測邊緣？先看看它怎麽用 ，

  

  這就是 AI 在"看"這件事上卡住了幾十年的地方。結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，不是圖像，建議零售價 $499

訂閱

如果覺得有意思，

如果我們換一塊顏色完全相同、

一個人的臉可以有無數種表情、



都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的，能識別的東西就越複雜。直到一個想法改變了一切 ：

不要人類來設計檢測器
，

實際使用時
，把所有檢測器發現的信息都匯集在一起，

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，越大越亮。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，
你看，檢測器提取出來的數字指紋和你錄入時的差太遠了。斜線、旗艦模型超過 1 億個參數，算法改進——同時到位，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，無數種光線
。經過層層計算
，它隻是在做加減乘除：把像素變成邊緣
，
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
，什麽是"眼睛"。
2. 算力
訓練一個模型，一張 1000×1000 的照片，有一個名字
，保持
如果猜錯了——調整那 9 個數字，5 次都猜錯才算錯）——領先超過 10 個百分點。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，"這是狗"
。
電腦用隨機檢測器算出一個結果，對應位置相乘再相加（這個操作的專業名稱叫"卷積"

，200 是亮色（接近白色）。說明邊緣越明顯
。需要對幾百萬張圖片、但也很簡單——本質就是"比較左右兩邊的亮度差"	。它照樣能解鎖。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、但對所有數字同時做這種微調，是從幾百萬張人臉照片中"學"出來的
。證明在特定任務上
，它通過層層檢測器從數字中提取特征。會自己變成有意義的檢測器	。現在你隻需要知道	：電腦有辦法算出調整的方向和幅度
。一個管上下——就能找到圖片中任意方向的邊緣。接近白色）
。它不知道什麽是"臉"
、數字大的地方
，它"看到"的是什麽

？不是一個水果的畫麵，本質上就是：右邊的亮度 - 左邊的亮度	
。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。
這就是"學習"的本質：不是有人教了它規則
，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
，擅長一件一件地處理複雜任務），它輸出"60% 可能是貓"，
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，分給大量網上工人完成的平台），是數字
。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。在 AI 領域有一個專門的名稱，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，什麽是鼻子。中間一列全是 0。

怎麽用呢？把檢測器疊放到圖片上，算出每一個數字對這個錯誤的"貢獻"有多大。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。逼網絡學到更通用的規律，8 層網絡，

邊緣勾勒出了圖片裏"有東西"的地方 。"神經網絡"名稱的起源