1968 年的 Sobel 算子能找到邊緣 ，

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

當它掃描圖片的一個區域時 ，

GPU 原本是用來生成（渲染）遊戲畫麵的  。識別簡單形狀——圓形、層層加工"的計算結構。
有的變成了顏色變化檢測器 。所以還能匹配上 。

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）。

給電腦看 1000 張貓的照片和 1000 張狗的照片，

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
  、處理一下 、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，和正確答案對比 ：

  • 如果猜對了——不錯，越大越亮
    。圖形處理器）來算。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，一張 1000×1000 的照片，建議零售價 $499

    訂閱

    如果覺得有意思 ，

    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
     ，
    有的變成了紋理檢測器 。綠色、中間一行全是 0
    。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU） ，而是它從大量的對錯反饋中 ，但核心識別原理——把采集到的數據變成數字
    、涵蓋 2 萬多個類別。GPU 訓練神經網絡比 CPU 快約 70 倍。

    在此之前，也會同時在左右和上下兩個方向上產生亮度差，就能找到圖片裏顏色變化的地方 。分別表示紅色
    、加上"女人"，

    不過你可能注意過一個奇怪的事：在幾年前，但正確答案是"狗"。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 。就能檢測出圖片裏有沒有某種特征。上百層 ，就要比較左右兩邊的亮度" ，

    你看
    ，

    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）。第三層找五官部件，我後麵會專門講
    。把形狀變成部件 ，分給大量網上工人完成的平台），讓電腦自己學
    。而不是死記每張圖的細節） 。哪怕是一條 45° 的斜線，

    這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置 
    。

    一個邊緣檢測器隻能告訴你"這裏有一條線"，接近黑色），但換發型還能認出來
    ？

    因為口罩遮住了臉的下半部分——嘴巴 、這些技術讓更深的網絡變得可訓練。接近白色）。就能看到"臉"了。

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方
    。貓臉、

    一堆數字，

    所以當你拿手機對著自己的臉，說明邊緣越明顯。但換了個發型，我一直很好奇 AI 到底是怎麽工作的，

    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，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 ，用它來學習的方法 ，但邊緣隻是一堆線條。這些"正確答案"是電腦學習的前提——沒有答案，判斷"這是不是主人的臉"  。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，直到一個想法改變了一切：

    不要人類來設計檢測器，它隻是在做加減乘除：把像素變成邊緣 ，

    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 ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

    這就是"訓練"。曲線

    • 第二層檢測器
      ：把第一層找到的邊緣組合起來，

      但電腦隻看到數字啊  ，這個係列就是我的探索筆記 ，它有 8 層。

      邊緣勾勒出了圖片裏"有東西"的地方 。

      2012 年的突破用了一個聰明的辦法 ：用遊戲顯卡（GPU，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。層數很多的神經網絡，戴上口罩，旗艦模型超過 1 億個參數，數字越大，排成 3×3：

      10  10  1010  10 20010 200 200

      左上角是深色（數字 10，解鎖。算出每一個數字對這個錯誤的"貢獻"有多大 。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。層層提取特征——和我們前麵講的完全一樣）

    • 層層檢測：這些數字經過很多層檢測器——第一層找邊緣 ，

      解決方法是：疊加很多層 。但疊加四五層之後 ，但原理完全一樣——歸根到底還是數字 。右下角是淺色（數字 200
      ，

      讓我用一個具體例子來演示。

      神奇的事情發生了 ：那些原本隨機的數字
       ，是為了讓檢測器更關注正中間一行的變化，

      Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，背景可能是深色的，然後比較兩組數字有多接近。就是邊緣。眼睛也是：眼白是淺色的 ，把那個數字調小一點

    每次調整的幅度都很小（比如 0.001），層數越多  ，一堆線條還不能告訴我們"這是一張臉" 。

    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，但也很簡單——本質就是"比較左右兩邊的亮度差"。
    這就是 AI 的"聰明"
    ：不是真的理解，從 1.6 億張候選圖片中篩選和標注
    。下巴這些區域的麵部特征被口罩擋住了，AI 為什麽能通過律師考試卻會一本正經地撒謊	。所謂檢測器，鼻子（一個三角形輪廓）
    、我們先用一個更簡單的任務來說明這個過程——區分貓和狗	。五官	
    、斜線、一個很大的正數。什麽是"鼻子"
    	。檢測器關注的主要是五官區域的特征——發型變了
    
    ，而發型屬於臉的外圍，重複幾百萬次之後，一個管上下——就能找到圖片中任意方向的邊緣。
    假設電腦要判斷一張圖是貓還是狗
    。不能告訴你"這是一隻眼睛"	。
    "標注好"的意思是
    ：每張圖片都有人告訴你"這是貓"、
    但如果我們告訴電腦"正確答案"呢	？
    就像老師批改作業一樣	。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，它輸出"60% 可能是貓"，所以 GPU 特別擅長"同時做很多簡單的計算"
。從互聯網上收集的真實場景人臉照片，

  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，把所有檢測器發現的信息都匯集在一起，需要對幾百萬張圖片 、再傳給下一個。數字大的地方，

     這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起 。用普通電腦的 CPU（中央處理器，而是把它們變成"空的"——可以填入任何數值：

     ?  ?  ??  ?  ??  ?  ?

     一開始 ，也就無法調整那些數字 。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。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。表情——這些讓一張臉變得獨特的要素 。能識別的東西就越複雜 。至今已經用了半個多世紀。

     一個現代的人臉識別模型可能有幾百萬到上億個參數。但對所有數字同時做這種微調 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，需要給電腦看幾百萬張人臉照片，覺得不錯的話，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 ，GPU 算力、兩個檢測器都會給出非零結果。把那個數字調大一點

  2. 如果變大——反過來
     ，從左到右顏色在變亮 。叫神經網絡
     。打個比方：所有人都在 74 分左右競爭，

     實際使用時，歡迎分享+關注。

     這個困境持續了幾十年，你會看到一個讓我非常震撼的例子  ："國王"減去"男人"，那就是像素 。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 ，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
      。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，但應該是 0%
     。

     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 。藍色的強度（也是 0 到 255）。就無法判斷對錯 ，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，它不知道什麽是"臉"
     、"這是狗" 、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，所以選擇了這樣的數字組合。它自己發現了"檢測邊緣有助於區分貓和狗"。證明在特定任務上，所以這幾層叫"卷積層"）。

     疊加：從線條到人臉

     但一層檢測器還不夠 。"這是汽車"
     。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，

     但如果讓電腦自己來選呢？

     假設我們不再指定這 9 個數字，別擔心 ，右邊一列全是正數，自己找到了有用的規律 。你就找到了輪廓、結果是正數（有一條從暗到亮的邊緣）

  3. 如果左邊比右邊亮——負數那邊貢獻更大
     ，把兩個結果綜合起來 ，下麵有一條橫線 ，把部件變成一組代表你這張臉的數字
     ，

     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。完全不需要知道什麽是"臉"、才有了 2012 年的突破 
     。反向傳播算法在 1986 年就發表了。這個方法叫"反向傳播"
     ，最終的錯誤會變大還是變小 ？

     • 如果變小——好 ，叫"參數"。花了大約 5-6 天
       ，叫 Sobel 算子（"算子"就是"計算工具"的意思）。讓下次更可能猜對

     怎麽調整
     ？不是隨機亂調，叫做反向傳播——1986 年由 Rumelhart、就 9 個像素
     ，

     • 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 ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。就是一串能代表你長相特征的數字）

  4. 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
  5. 判斷：如果兩組數字足夠接近——解鎖

  整個過程沒有任何"理解" 。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 ，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，為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用，突然有人考了 85 分 。

  一個人的臉可以有無數種表情
  、要理解這件事，

  2012 年，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" 。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）、"神經網絡"名稱的起源
• ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，把邊緣變成形狀，它"看到"的是什麽
  ？不是一個水果的畫麵，純白是 255
   ，

  最簡單的情況是黑白照片：純黑是 0 ，

  2009 年，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，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，電腦的"大腦"
  ，人臉識別的學習過程完全一樣
  。

  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，原理完全一樣，想分享給你 。

  反向傳播做的事情是 ：從最後的錯誤出發
   ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，

  2. 算力

  訓練一個模型，

  比如下麵這個 5×5 的小圖：

  

  在電腦裏，

  彩色照片稍微複雜一點：每個像素需要三個數字，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，

  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，中間有一條從左上到右下的分界線——這就是一條邊緣。

  

  • 如果左右兩邊顏色一樣——正數和負數互相抵消，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、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。訓練這樣一個模型 ，鼻梁這些區域的數字模式沒變，就叫"深度神經網絡"，有一個名字
    ，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
    ，結果是 0（沒有邊緣）

  • 如果右邊比左邊亮——正數那邊貢獻更大，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 ，

    電腦眼中的照片

    要理解手機怎麽"人臉識別" ，綜合判斷最終結果） 。但永遠覆蓋不了真實世界的複雜性 。是電腦自己從數據裏學出來的 。就是一組數字組成的小模板——把它疊到圖片上，每一張都要把所有參數調整一遍 。就能得到每個位置的"邊緣強度"和"邊緣方向"
    。保持

  • 如果猜錯了——調整那 9 個數字 ，為了建成 ImageNet，

    

  • 那個檢測器偏了，

    

    什麽是"眼睛" ，包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率
    。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。也就是你臉的輪廓 。會自己變成有意義的檢測器。就是"深度學習"。比如，不是圖像 ，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 ，發現了很多有意思的東西，為什麽？

    先別急著回答。這樣就不會被一張照片騙過去
    。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，無數種角度、而今天的大型模型，算法改進——同時到位 ，

    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。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
       ，結果肯定是亂七八糟的  。無數種光線。那些數字就會逐漸穩定下來 ，在 AI 領域有一個專門的名稱 ，LFW 準確率 99.63%
    3. Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
    4. Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，

       整個過程不到一秒  。

       

       每天早上，一層一層往回追溯，對應位置的數字相乘，當時售價 499 美元），後續文章也會持續更新。

       一個新的問題

       理解了 AI 怎麽"認人"之後 ，中間一列全是 0。你很快就會明白。每張都貼好標簽——"這是貓"、動用了來自 167 個國家的近 5 萬名標注工人，逼網絡學到更通用的規律 ，豎線 、層層疊加

    5. 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" ，

       這個數字的意思是：這裏有一條明顯的邊緣，你拿起手機 ，

       3. 算法

       AlexNet 還用了幾個關鍵的技術改進 。隻用加減乘除 ，訓練出了 AlexNet 。取名 AlexNet（Alex 的網絡）。

       仔細看這個檢測器的結構
       ：左邊一列全是負數，這些可調整的數字，沒有人告訴電腦"要檢測眼睛"，

       怎麽用呢？把檢測器疊放到圖片上
       ，這也是邊緣。測量臉的立體形狀
       ，隨機填一組數字
       ，什麽是"眼睛" 。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 ，那可能是一張臉"

    6. 有人試著提取更複雜的特征："檢測眼睛的形狀"、

       這需要大量的計算。這個檢測器會在整張圖片上一格一格地滑動，8 層網絡
        ，結果的數字越大（不管是正還是負），其餘全是 0（暗）。最終這個數據集包含了超過 1400 萬張標注好的圖片，

       現在我用一個"檢測器"來掃描它。人類知道"要檢測垂直邊緣 ，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" ，

       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，看一眼屏幕，手機往往就不認識你了。即可訂閱 。經過層層計算，Graphics Processing Unit，

         這就是電腦"看到"的東西
         。就有 100 萬個像素。它通過層層檢測器從數字中提取特征 。就能看到一個個小方塊，然後全部加起來。第一層隻能看到線條，說明邊緣越明顯。

         重複這個過程幾百萬次。一個三角形在中間 ，結果是負數（有一條從亮到暗的邊緣）

       差異越大，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
       ，第二層找形狀，而顏色在電腦裏是用數字表示的。它專門用來檢測垂直方向的邊緣 。比如 Google 在 2015 年發表的 FaceNet  ，幾千萬個參數反複做計算
       。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。

       電腦沒有被告知"要檢測邊緣" 。

       回到手機人臉識別

       

       現在你知道手機是怎麽認出你的了。本質上就是：右邊的亮度 - 左邊的亮度。它照樣能解鎖。

       這是 「AI是怎麽回事」係列的第 1篇 。

       整個網絡包含 6000 萬個可調整的數字。中間的灰色就是 1 到 254。我們來聊這個問題 。神經網絡的概念在 1940 年代就有了，擅長一件一件地處理複雜任務），數字越小越暗，變成了"這個位置有沒有邊緣"的數字。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、瞳孔是深色的，沒有邊緣 。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 ，三角形、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 ，沒有人花這麽大力氣去收集和標注這麽多圖片 。

       

       這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，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。歡迎關注我，

       不過你可能發現了，

       

       每個像素都有一個顏色，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 ，200 是亮色（接近白色） 。

  一道簡單的數學題

  假設我們有一小塊圖片，

  手機不知道什麽是眼睛、現在你隻需要知道：電腦有辦法算出調整的方向和幅度。什麽是鼻子。這些小點叫像素——你把手機照片放大再放大 ，之所以叫這個名字，他們第一次用數學來描述神經元的工作方式 。為什麽沒有更早實現？

  事實上 ，

  那些檢測器裏的數字，
  還有一些
  ，而是一堆數字。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

  電腦用隨機檢測器算出一個結果 ，

  而關鍵是：每一層的檢測器裏的數字，6000 萬參數，這可能要算好幾個月甚至幾年
  。找到了邊緣
  ，"這是狗" 。動輒幾十層、

  如果我們換一塊顏色完全相同 、

  它錯了 。