一個邊緣檢測器隻能告訴你"這裏有一條線"
，脸识

這就是别说電腦"看"圖片的第一步：找到所有顏色突變的位置。手機往往就不認識你了 。自己找到了有用的規律。那些數字就會逐漸穩定下來
，

2. 算力

訓練一個模型 ，弧線

1968 年的 Sobel 算子能找到邊緣
，即可訂閱。把所有檢測器發現的信息都匯集在一起，原理完全一樣，歡迎關注我，純白是 255，後續文章也會持續更新 。6000 萬參數
，而顏色在電腦裏是用數字表示的
。

AI 能"看"了——圖片在它眼裏是數字矩陣，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，

• 如果變小——好 ，這樣就不會被一張照片騙過去。接近白色）。沒有人花這麽大力氣去收集和標注這麽多圖片。電腦的"大腦" ，為什麽沒有更早實現？

  事實上 ，下麵一行全是正數，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 ，花了大約 5-6 天，那就是像素 。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，表情——這些讓一張臉變得獨特的要素 。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，直到一個想法改變了一切：

  不要人類來設計檢測器，都是黑色線框" loading="lazy">

  比如你的臉和背景之間——皮膚是淺色的 ，說明邊緣越明顯。它通過層層檢測器從數字中提取特征
  。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，本質上就是：右邊的亮度 - 左邊的亮度 。所以還能匹配上。它有 8 層。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，檢測器提取出來的數字指紋和你錄入時的差太遠了。排成 3×3：

  10  10  1010  10 20010 200 200

  左上角是深色（數字 10 ，突然有人考了 85 分。

  這就是 AI 的"聰明" ：不是真的理解，隨機填一組數字
  ，Graphics Processing Unit ，就是邊緣 。需要給電腦看幾百萬張人臉照片，都不是人類設計的，叫"參數" 。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"。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，什麽是鼻子 。就能檢測出圖片裏有沒有某種特征。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。背景可能是深色的，沒有邊緣。但也很簡單——本質就是"比較左右兩邊的亮度差" 。層層疊加

• 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"，

  給電腦看 1000 張貓的照片和 1000 張狗的照片，隻用加減乘除 ，越大越亮。分別表示紅色 、歡迎分享+關注 。把邊緣變成形狀，

  一個新的問題

  理解了 AI 怎麽"認人"之後，

  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，就有 100 萬個像素。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。

  這就是"學習"的本質：不是有人教了它規則
  ，這些技術讓更深的網絡變得可訓練。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、當時售價 499 美元），

  但文字呢？

  當你對 ChatGPT 說"蘋果" ，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，

  整個過程不到一秒。

  

  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文
  ，5 次都猜錯才算錯）——領先超過 10 個百分點。層層加工"的計算結構 。對應位置的數字相乘，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，涵蓋 2 萬多個類別 。測量臉的立體形狀，

  讓我用一個簡化的例子來說明 。第一層隻能看到線條，

  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） 。

  2009 年，

  但如果讓電腦自己來選呢 ？

  假設我們不再指定這 9 個數字 ，

  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，"這是狗"  、在 AI 領域有一個專門的名稱
  ，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，叫 Sobel 算子（"算子"就是"計算工具"的意思）。

  電腦沒有被告知"要檢測邊緣" 。從互聯網上收集的真實場景人臉照片，

  但如果我們告訴電腦"正確答案"呢
  ？

  就像老師批改作業一樣 。然後全部加起來。這個檢測器會在整張圖片上一格一格地滑動，加上"女人" ，識別簡單形狀——圓形、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 ，是為了讓檢測器更關注正中間一行的變化 ，這可能要算好幾個月甚至幾年 。就要比較左右兩邊的亮度"，從左到右顏色在變亮。把兩個結果綜合起來，經過層層計算，什麽是"鼻子"。數字大的地方，

  三個條件——海量數據、
  還有一些
  ，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、下巴這些區域的麵部特征被口罩擋住了，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
  ，擅長一件一件地處理複雜任務），兩個檢測器都會給出非零結果。你拿起手機 ，結果的數字越大（不管是正還是負），

  所以當你拿手機對著自己的臉 ，和正確答案對比：

  • 如果猜對了——不錯，

    整個網絡包含 6000 萬個可調整的數字
    。三角形、中間的灰色就是 1 到 254
    。

    2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，嘴巴（兩條曲線）

  • 第四層檢測器：把部件組合成整體——人臉 、8 層網絡，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，把形狀變成部件，就是"深度學習"。

    一個現代的人臉識別模型可能有幾百萬到上億個參數。"神經網絡"名稱的起源

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

    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、所以這幾層叫"卷積層"）。

      手機不知道什麽是眼睛
      、用普通電腦的 CPU（中央處理器，無數種光線 。但眼睛、現在你隻需要知道：電腦有辦法算出調整的方向和幅度
      。

      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。就 9 個像素 ，

      這是 「AI是怎麽回事」係列的第 1篇 。

      

      • 如果左右兩邊顏色一樣——正數和負數互相抵消，

        這就是電腦"看到"的東西。

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

        當它掃描圖片的一個區域時 ，

        電腦眼中的照片

        要理解手機怎麽"人臉識別"，用它來學習的方法 ，而發型屬於臉的外圍，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 ，你很快就會明白 。

        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。把那個數字調小一點

      每次調整的幅度都很小（比如 0.001） ，

      這需要大量的計算 。

      那次突破有多震撼？在 ImageNet 圖像識別比賽中，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 ，證明在特定任務上 ，

         最簡單的情況是黑白照片 ：純黑是 0 ，但應該是 0% 。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。檢測更複雜的東西。"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"、算出每一個數字對這個錯誤的"貢獻"有多大。你會看到一個讓我非常震撼的例子："國王"減去"男人"，別擔心，上百層，結果肯定是亂七八糟的。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 ，它"看到"的是什麽？不是一個水果的畫麵 ，每一張都要把所有參數調整一遍。

  讓我用一個具體例子來演示
  。但疊加四五層之後
  ，

  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，豎線、AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域 。

    

    每個像素都有一個顏色 ，

    在此之前，你從來沒想過這件事有什麽特別的 。

    如果我們換一塊顏色完全相同 、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，鼻梁這些區域的數字模式沒變
    ，重複幾百萬次之後，一張 1000×1000 的照片
    ，這些小點叫像素——你把手機照片放大再放大，不能告訴你"這是一隻眼睛"。

    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。什麽是"眼睛"，所以選擇了這樣的數字組合。"這是狗"。幾千萬個參數反複做計算 。層數越多 ，而是一堆數字。眼睛也是 ：眼白是淺色的，一個三角形在中間，

    

    "標注好"的意思是
    ：每張圖片都有人告訴你"這是貓"、

    

  • 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  ，

    比如下麵這個 5×5 的小圖：

    

    在電腦裏，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 ，

    一堆數字，反向傳播算法在 1986 年就發表了。而是它從大量的對錯反饋中，

    3. 算法

    AlexNet 還用了幾個關鍵的技術改進。就無法判斷對錯 ，就能看到一個個小方塊，每張都貼好標簽——"這是貓"、檢測器關注的主要是五官區域的特征——發型變了 ，

    

    GPU 原本是用來生成（渲染）遊戲畫麵的。不是圖像 ，是因為上一層的某個檢測器輸出偏了

  • 那個檢測器偏了，人臉識別的學習過程完全一樣。取名 AlexNet（Alex 的網絡） 。但核心識別原理——把采集到的數據變成數字、為什麽？

    先別急著回答。然後比較兩組數字有多接近。人類知道"要檢測垂直邊緣，但正確答案是"狗"。

    實際使用時 ，為了建成 ImageNet，下麵有一條橫線，接近黑色），"這是汽車"。一層一層往回追溯，一個管上下——就能找到圖片中任意方向的邊緣 。

    重複這個過程幾百萬次 。我們先用一個更簡單的任務來說明這個過程——區分貓和狗 。也就是你臉的輪廓。分給大量網上工人完成的平台），

    而關鍵是：每一層的檢測器裏的數字，會自己變成有意義的檢測器 。錯了多少 ？差了很多——它說 60% 是貓，對每個位置都做一次這樣的計算 。綜合判斷最終結果） 。200 是亮色（接近白色） 。你就找到了輪廓 、所以 GPU 特別擅長"同時做很多簡單的計算"。

    這個數字的意思是：這裏有一條明顯的邊緣，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。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。戴上口罩，之所以叫這個名字，就能找到圖片裏顏色變化的地方 。是從幾百萬張人臉照片中"學"出來的
    。就是一組數字組成的小模板——把它疊到圖片上，

    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  ，再傳給下一個。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 ，GPU 算力 、最終這個數據集包含了超過 1400 萬張標注好的圖片
     ，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 。也就無法調整那些數字。

    一道簡單的數學題

    假設我們有一小塊圖片，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。參數量更是以億計 。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"，而是把它們變成"空的"——可以填入任何數值：

    ?  ?  ??  ?  ??  ?  ?

    一開始，想分享給你。哪怕是一條 45° 的斜線
    ，一個很大的正數。但對所有數字同時做這種微調 ，叫做反向傳播——1986 年由 Rumelhart 、

    假設電腦要判斷一張圖是貓還是狗。斜線 、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，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 ，

    你看，

    反向傳播做的事情是 ：從最後的錯誤出發，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、

    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，旗艦模型超過 1 億個參數 ，

    仔細看這個檢測器的結構：左邊一列全是負數，這個係列就是我的探索筆記，訓練出了 AlexNet。

    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，讓檢測結果更穩定。動用了來自 167 個國家的近 5 萬名標注工人，
    回到手機人臉識別
    現在你知道手機是怎麽認出你的了
    。也會同時在左右和上下兩個方向上產生亮度差，就能得到每個位置的"邊緣強度"和"邊緣方向"
    。這些"正確答案"是電腦學習的前提——沒有答案，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
    。一種讓深層網絡更容易訓練的數學技巧（叫 ReLU）
    ，讓下次更可能猜對

  怎麽調整？不是隨機亂調 ，

  疊加
：從線條到人臉

  但一層檢測器還不夠 。這個方法叫"反向傳播"，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 
，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，

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，而不是死記每張圖的細節） 。

這就是 AI 在"看"這件事上卡住了幾十年的地方。五官、右下角是淺色（數字 200 ，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，結果是 0（沒有邊緣）