電腦怎麽知道該把那些數字往大了調還是到底往小了調？

這是整個係統最精巧的部分，而是聪明从手它從大量的對錯反饋中，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,机人 Hinton, Williams (1986) — 反向傳播算法的奠基論文，逼網絡學到更通用的脸识規律，而是别说把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始，它怎麽找到邊緣？到底

答案讓我很驚訝：隻用簡單的加減乘除就能做到。判斷"這是聪明从手不是主人的臉"。我們來聊這個問題。机人檢測器提取出來的脸识數字指紋和你錄入時的差太遠了。AlexNet 將錯誤率從同年第二名的别说 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，接近白色）。到底最終的聪明从手錯誤會變大還是變小 ？

如果變小——好，它有 8 層。机人豎線、脸识
2012 年的别说突破用了一個聰明的辦法：用遊戲顯卡（GPU，
有的變成了紋理檢測器。
電腦沒有被告知"要檢測邊緣"。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，每一張都要把所有參數調整一遍。鼻子（一個三角形輪廓）、而不是死記每張圖的細節）。
一個新的問題
理解了 AI 怎麽"認人"之後，然後全部加起來。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，"這是汽車"。結果是負數（有一條從亮到暗的邊緣）

差異越大，證明在特定任務上，第一層隻能看到線條，GPU 訓練神經網絡比 CPU 快約 70 倍。

讓我用一個簡化的例子來說明。歡迎關注我，

這就是電腦"看到"的東西。什麽是"眼睛" 。

邊緣勾勒出了圖片裏"有東西"的地方。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），
還有一些，

假設電腦要判斷一張圖是貓還是狗。它輸出"60% 可能是貓" ，但對所有數字同時做這種微調，層數越多，當時售價 499 美元），

解決方法是：疊加很多層。訓練出了 AlexNet。一個很大的正數。取名 AlexNet（Alex 的網絡）。需要對幾百萬張圖片、

一道簡單的數學題

假設我們有一小塊圖片，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，就是"深度學習"。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）、
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，越大越亮。它專門用來檢測垂直方向的邊緣。
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，到達一個"很少出錯"的狀態。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，
一個人的臉可以有無數種表情、人臉識別的學習過程完全一樣。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，涵蓋 2 萬多個類別。會自己變成有意義的檢測器。結果的數字越大（不管是正還是負），
三個條件——海量數據、
讓我用一個具體例子來演示。再傳給下一個。
不過你可能注意過一個奇怪的事：在幾年前，自己找到了有用的規律。這些可調整的數字，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。這也是邊緣。
有的變成了顏色變化檢測器。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、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。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。三角形、
3. 算法
AlexNet 還用了幾個關鍵的技術改進。那可能是一張臉"

有人試著提取更複雜的特征："檢測眼睛的形狀"、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。下麵有一條橫線，比如，叫 Sobel 算子（"算子"就是"計算工具"的意思）。處理一下、
怎麽用呢？把檢測器疊放到圖片上，
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。接近黑色），
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。那就是像素。
但電腦隻看到數字啊，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，建議零售價 $499

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。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，歡迎分享+關注。第三層找五官部件，但原理完全一樣——歸根到底還是數字。背景可能是深色的，這個係列就是我的探索筆記，一張 1000×1000 的照片，

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，我一直很好奇 AI 到底是怎麽工作的，
反向傳播做的事情是：從最後的錯誤出發，檢測器關注的主要是五官區域的特征——發型變了，那些數字就會逐漸穩定下來，右下角是淺色（數字 200，動用了來自 167 個國家的近 5 萬名標注工人，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，數字越小越暗，圖形處理器）來算。這樣就不會被一張照片騙過去。但永遠覆蓋不了真實世界的複雜性。就是一組數字組成的小模板——把它疊到圖片上，但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、也會同時在左右和上下兩個方向上產生亮度差，錯了多少？差了很多——它說 60% 是貓，叫"參數"。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，瞳孔是深色的，說明邊緣越明顯。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，
這就是 AI 在"看"這件事上卡住了幾十年的地方。但邊緣隻是一堆線條。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，找到了邊緣，解鎖。反向傳播算法在 1986 年就發表了。它不知道什麽是"臉"、
仔細看這個檢測器的結構：左邊一列全是負數，才有了 2012 年的突破。無數種角度、
如果我們換一塊顏色完全相同、是數字。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，綠色、對應位置相乘再相加（這個操作的專業名稱叫"卷積"，就能找到圖片裏顏色變化的地方。就能得到每個位置的"邊緣強度"和"邊緣方向"。我後麵會專門講。都不是人類設計的，
一堆數字，也就無法調整那些數字。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。結果肯定是亂七八糟的。眼睛也是：眼白是淺色的，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"。第二層找形狀，

那些檢測器裏的數字，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，

它錯了。隻用加減乘除，

2012 年，"這是狗" 。下麵一行全是正數，本質上就是：右邊的亮度 - 左邊的亮度。

這個困境持續了幾十年，說明邊緣越明顯。

整個過程不到一秒。

在此之前，中間一行全是 0。其餘全是 0（暗）。

這需要大量的計算。

這是 「AI是怎麽回事」係列的第 1篇。之所以叫這個名字，讓檢測結果更穩定。突然有人考了 85 分。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），每張都貼好標簽——"這是貓"、對每個位置都做一次這樣的計算。就叫"深度神經網絡"，但眼睛、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，叫神經網絡。這些"正確答案"是電腦學習的前提——沒有答案，你會看到一個讓我非常震撼的例子："國王"減去"男人"，把兩個結果綜合起來，比如 Google 在 2015 年發表的 FaceNet，

這就是"學習"的本質：不是有人教了它規則，什麽是"眼睛"，你拿起手機，而今天的大型模型，排成 3×3：

10  10  1010  10 20010 200 200

左上角是深色（數字 10，從 1.6 億張候選圖片中篩選和標注。這些技術讓更深的網絡變得可訓練。

2009 年，層層加工"的計算結構。為了建成 ImageNet，完全不需要知道什麽是"臉"、電腦的"大腦" ，就能檢測出圖片裏有沒有某種特征。這可能要算好幾個月甚至幾年。

這就是 AI 的"聰明"：不是真的理解，

疊加：從線條到人臉

但一層檢測器還不夠。他們第一次用數學來描述神經元的工作方式。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，至今已經用了半個多世紀。花了大約 5-6 天，直到一個想法改變了一切：

不要人類來設計檢測器，變成了"這個位置有沒有邊緣"的數字。

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）。就能看到一個個小方塊，測量臉的立體形狀，"這是狗"、

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）。有一個名字，而顏色在電腦裏是用數字表示的。

如果左右兩邊顏色一樣——正數和負數互相抵消，數字越大，所謂檢測器，手機往往就不認識你了。就 9 個像素，
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，一個三角形在中間，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。
比如下麵這個 5×5 的小圖：
在電腦裏，要理解這件事，
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，用普通電腦的 CPU（中央處理器，
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，
2. 算力
訓練一個模型，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、
電腦用隨機檢測器算出一個結果，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，擅長一件一件地處理複雜任務），五官、鼻梁這些區域的數字模式沒變，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、想分享給你。經過層層計算，8 層網絡，中間一列全是 0 。
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，這就形成了一條邊緣	，200 是亮色（接近白色）

。
這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。也就是你臉的輪廓。就能看到"臉"了。它隻是在做加減乘除：把像素變成邊緣
，你很快就會明白。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，現在我用一個"檢測器"來掃描它。沒有人花這麽大力氣去收集和標注這麽多圖片。叫做反向傳播——1986 年由 Rumelhart、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，不是圖像，想象這樣一個過程：
- 第四層檢測器：把部件組合成整體——人臉、6000 萬參數，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，這個方法叫"反向傳播"，貓臉、從互聯網上收集的真實場景人臉照片，沒有邊緣。所以當你拿手機對著自己的臉，回到手機人臉識別現在你知道手機是怎麽認出你的了。動輒幾十層、沒有人告訴電腦"要檢測眼睛"，把形狀變成部件，彩色照片稍微複雜一點：每個像素需要三個數字，但也很簡單——本質就是"比較左右兩邊的亮度差"。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，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，是電腦自己從數據裏學出來的。發現了很多有意思的東西，一個現代的人臉識別模型可能有幾百萬到上億個參數。加上"女人"，後續文章也會持續更新。兩個檢測器都會給出非零結果。手機不知道什麽是眼睛、就像考試之後對答案：
  - 如果右邊比左邊亮——正數那邊貢獻更大，等於什麽？參考資料
    1. 第二層檢測器：把第一層找到的邊緣組合起來，哪怕是一條 45° 的斜線，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，為什麽？先別急著回答。它"看到"的是什麽？不是一個水果的畫麵，你看，能識別的東西就越複雜。這就是"訓練"。而發型屬於臉的外圍，從左到右顏色在變亮。就無法判斷對錯，所以還能匹配上。純白是 255，一層一層往回追溯，看一眼屏幕，表情——這些讓一張臉變得獨特的要素。5 次都猜錯才算錯）——領先超過 10 個百分點。覺得不錯的話，你就找到了輪廓、把部件變成一組代表你這張臉的數字，最終這個數據集包含了超過 1400 萬張標注好的圖片，但疊加四五層之後，神奇的事情發生了：那些原本隨機的數字，重複幾百萬次之後，不過你可能發現了，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，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，分別表示紅色、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。
      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。這些小點叫像素——你把手機照片放大再放大，參數量更是以億計。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，為什麽沒有更早實現？
      事實上，把那個數字調大一點
    3. 如果變大——反過來，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），
      電腦眼中的照片
      要理解手機怎麽"人臉識別" ，
      重複這個過程幾百萬次。
      這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。你從來沒想過這件事有什麽特別的。一堆線條還不能告訴我們"這是一張臉"。下巴這些區域的麵部特征被口罩擋住了，GPU 算力、"神經網絡"名稱的起源
    4. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，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。原理完全一樣，什麽是"鼻子"。
      右邊一列全是正數，但應該是 0%。數字大的地方，旗艦模型超過 1 億個參數，
      每個像素都有一個顏色，藍色的強度（也是 0 到 255）。在 AI 領域有一個專門的名稱，都是黑色線框" loading="lazy">
      比如你的臉和背景之間——皮膚是淺色的，什麽是鼻子。識別簡單形狀——圓形、
      最簡單的情況是黑白照片：純黑是 0，是從幾百萬張人臉照片中"學"出來的。
      每天早上，發表於 Nature
    5. ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，
      這種"很多層檢測器疊加"的結構，讓下次更可能猜對
  怎麽調整？不是隨機亂調，"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"、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，幾千萬個參數反複做計算。層數很多的神經網絡，Graphics Processing Unit，斜線、對應位置的數字相乘，無數種光線。
實際使用時，算出每一個數字對這個錯誤的"貢獻"有多大。