也就無法調整那些數字。到底所以選擇了這樣的聪明从手數字組合。是机人為了讓檢測器更關注正中間一行的變化，所以 GPU 特別擅長"同時做很多簡單的脸识計算" 。是别说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，五官、到底

3. 算法

AlexNet 還用了幾個關鍵的聪明从手技術改進。讓電腦自己學。机人結果是脸识負數（有一條從亮到暗的邊緣）

差異越大，純白是别说 255 ，超過 1400 萬張標注圖片

The 到底data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，他們第一次用數學來描述神經元的聪明从手工作方式。
這個設計很聰明，机人

順便說一下這個檢測器的脸识來曆：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，錯了多少？别说差了很多——它說 60% 是貓，叫 Sobel 算子（"算子"就是"計算工具"的意思）。

-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"，

但文字呢？

當你對 ChatGPT 說"蘋果"，而是它從大量的對錯反饋中，

2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，沒有人花這麽大力氣去收集和標注這麽多圖片。為什麽？

先別急著回答。所謂檢測器，瞳孔是深色的，就是"深度學習"。手機往往就不認識你了。戴上口罩，有一個名字，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，是電腦自己從數據裏學出來的。處理一下、看一眼屏幕，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，
如果我們換一塊顏色完全相同、也就是你臉的輪廓。加上"女人" ，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，突然有人考了 85 分。每張都貼好標簽——"這是貓"、"這是狗"、
不過你可能發現了，直到一個想法改變了一切：
不要人類來設計檢測器，
2. 算力
訓練一個模型，把所有檢測器發現的信息都匯集在一起，當時售價 499 美元），它不知道什麽是"臉"、上百層，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，綜合判斷最終結果）。就 9 個像素，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，最終這個數據集包含了超過 1400 萬張標注好的圖片，
但電腦隻看到數字啊，它"看到"的是什麽？不是一個水果的畫麵，
這個困境持續了幾十年，結果肯定是亂七八糟的。就能找到圖片裏顏色變化的地方。能識別的東西就越複雜。貓臉、結果是 0（沒有邊緣）
如果右邊比左邊亮——正數那邊貢獻更大，隨機填一組數字，旗艦模型超過 1 億個參數，
有的變成了紋理檢測器。再傳給下一個。
最簡單的情況是黑白照片：純黑是 0，GPU 訓練神經網絡比 CPU 快約 70 倍。把那個數字調小一點

每次調整的幅度都很小（比如 0.001），重複幾百萬次之後，

這就是電腦"看到"的東西。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。這些"正確答案"是電腦學習的前提——沒有答案，鼻梁這些區域的數字模式沒變，結果的數字越大（不管是正還是負），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，算法改進——同時到位，檢測更複雜的東西。所以這幾層叫"卷積層"）。

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，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，其餘全是 0（暗）。

這就是 AI 的"聰明"：不是真的理解，

它錯了。發表於 Nature

ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，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。這就形成了一條邊緣，
"標注好"的意思是：每張圖片都有人告訴你"這是貓" 、就是一組數字組成的小模板——把它疊到圖片上，叫神經網絡。
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，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。
GPU 原本是用來生成（渲染）遊戲畫麵的。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。每一張都要把所有參數調整一遍。歡迎關注我，右邊一列全是正數，三角形、隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。但疊加四五層之後，你會看到一個讓我非常震撼的例子："國王"減去"男人" ，
現在我用一個"檢測器"來掃描它。就能看到"臉"了。
每天早上，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，是從幾百萬張人臉照片中"學"出來的。而今天的大型模型，然後全部加起來。鼻子（一個三角形輪廓）、
- 如果左右兩邊顏色一樣——正數和負數互相抵消，中間的灰色就是 1 到 254。是數字。就能看到一個個小方塊，但正確答案是"狗"。把部件變成一組代表你這張臉的數字，但對所有數字同時做這種微調，反向傳播算法在 1986 年就發表了。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。
  讓我用一個簡化的例子來說明。嘴巴（兩條曲線）
- 第四層檢測器：把部件組合成整體——人臉、無數種角度、
  但如果我們告訴電腦"正確答案"呢？
  就像老師批改作業一樣。解鎖。
  手機不知道什麽是眼睛、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，發現了很多有意思的東西，
  這就是 AI 在"看"這件事上卡住了幾十年的地方。但眼睛、需要對幾百萬張圖片、不能告訴你"這是一隻眼睛" 。幾千萬個參數反複做計算。層數越多，
  怎麽用呢？把檢測器疊放到圖片上，分給大量網上工人完成的平台），才有了 2012 年的突破。分別表示紅色、現在你隻需要知道：電腦有辦法算出調整的方向和幅度。原理完全一樣，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、這也是邊緣。藍色的強度（也是 0 到 255）。越大越亮。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，
  假設電腦要判斷一張圖是貓還是狗。動用了來自 167 個國家的近 5 萬名標注工人，
  一堆數字，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，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，
  這就是"學習"的本質：不是有人教了它規則，
  沒有邊緣。它專門用來檢測垂直方向的邊緣。讓檢測結果更穩定。
  整個網絡包含 6000 萬個可調整的數字。
  一個人的臉可以有無數種表情、
  所以當你拿手機對著自己的臉，證明在特定任務上，
  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、這個係列就是我的探索筆記，對應位置的數字相乘，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。兩個檢測器都會給出非零結果。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、而顏色在電腦裏是用數字表示的。訓練這樣一個模型，

回到手機人臉識別

現在你知道手機是怎麽認出你的了。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"。等於什麽？

參考資料

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
A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，第三層找五官部件，圖形處理器）來算。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，而不是死記每張圖的細節）。但也很簡單——本質就是"比較左右兩邊的亮度差" 。
重複這個過程幾百萬次。檢測器提取出來的數字指紋和你錄入時的差太遠了。所以還能匹配上。
實際使用時，
邊緣勾勒出了圖片裏"有東西"的地方。後續文章也會持續更新。它隻是在做加減乘除：把像素變成邊緣，
這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，你拿起手機，叫"參數"。找到了邊緣，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。
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。就能得到每個位置的"邊緣強度"和"邊緣方向" 。
解決方法是：疊加很多層。綠色、那些數字就會逐漸穩定下來，就能檢測出圖片裏有沒有某種特征。會自己變成有意義的檢測器。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，下麵一行全是正數，6000 萬參數，參數量更是以億計。需要給電腦看幾百萬張人臉照片，
一個現代的人臉識別模型可能有幾百萬到上億個參數。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、那就是像素。判斷"這是不是主人的臉"。我們來聊這個問題。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，就無法判斷對錯，一層一層往回追溯，最終的錯誤會變大還是變小 ？
- 如果變小——好，你就找到了輪廓、但應該是 0%。別擔心，
  這就是"訓練"。
  讓我用一個具體例子來演示。"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，是因為上一層的某個檢測器輸出偏了
- 那個檢測器偏了，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，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" 。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，人臉識別的學習過程完全一樣。
  這種"很多層檢測器疊加"的結構，哪怕是一條 45° 的斜線，
  不過你可能注意過一個奇怪的事：在幾年前，數字越小越暗，電腦的"大腦"，但換發型還能認出來？
  因為口罩遮住了臉的下半部分——嘴巴、檢測器關注的主要是五官區域的特征——發型變了，
  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，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，我產生了一個新的疑問：
    AI 能"看"了——圖片在它眼裏是數字矩陣，讓下次更可能猜對
  怎麽調整？不是隨機亂調，歡迎分享+關注。
  這是 「AI是怎麽回事」係列的第 1篇。人類知道"要檢測垂直邊緣，不是圖像，就有 100 萬個像素。8 層網絡，這些技術讓更深的網絡變得可訓練。就是邊緣。
  反向傳播做的事情是：從最後的錯誤出發，
  一道簡單的數學題
  假設我們有一小塊圖片，經過層層計算，把那個數字調大一點
- 如果變大——反過來，它輸出"60% 可能是貓"，
  2012 年，從左到右顏色在變亮。但原理完全一樣——歸根到底還是數字。
  這個數字的意思是：這裏有一條明顯的邊緣，
  疊加：從線條到人臉
  但一層檢測器還不夠。中間一列全是 0。但永遠覆蓋不了真實世界的複雜性。GPU 算力、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，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"，
  神奇的事情發生了：那些原本隨機的數字，但邊緣隻是一堆線條。5 次都猜錯才算錯）——領先超過 10 個百分點。
  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，表情——這些讓一張臉變得獨特的要素。叫做反向傳播——1986 年由 Rumelhart、到達一個"很少出錯"的狀態。把形狀變成部件，
  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。一張 1000×1000 的照片，電腦怎麽知道該把那些數字往大了調還是往小了調？
  這是整個係統最精巧的部分，從 1.6 億張候選圖片中篩選和標注。把兩個結果綜合起來，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，都不是人類設計的，要理解這件事，
整個過程不到一秒。和正確答案對比：
- 如果猜對了——不錯，
  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。至今已經用了半個多世紀。在 AI 領域有一個專門的名稱，
  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。排成 3×3：
  10 10 1010 10 20010 200 200
  左上角是深色（數字 10，下巴這些區域的麵部特征被口罩擋住了，你很快就會明白。什麽是"鼻子"。逼網絡學到更通用的規律，"這是汽車"。層數很多的神經網絡，但換了個發型，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，數字越大，你從來沒想過這件事有什麽特別的。把邊緣變成形狀，什麽是"眼睛"。覺得不錯的話，
  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）。
  仔細看這個檢測器的結構：左邊一列全是負數，這個檢測器會在整張圖片上一格一格地滑動，一個管上下——就能找到圖片中任意方向的邊緣。它通過層層檢測器從數字中提取特征。AI 為什麽能通過律師考試卻會一本正經地撒謊。
  每個像素都有一個顏色，
  在此之前，而發型屬於臉的外圍，都是黑色線框" loading="lazy">
  比如你的臉和背景之間——皮膚是淺色的，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），為什麽沒有更早實現？
  事實上，
  你看，
  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，即可訂閱。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、識別簡單形狀——圓形、"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"、
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，我後麵會專門講。
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，第二層找形狀，
這需要大量的計算。擅長一件一件地處理複雜任務），背景可能是深色的，什麽是"眼睛"，什麽是鼻子。中間有一條從左上到右下的分界線——這就是一條邊緣。
三個條件——海量數據、數字大的地方，隻用加減乘除，
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，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"。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，就要比較左右兩邊的亮度"，完全不需要知道什麽是"臉"、一個很大的正數。比如 Google 在 2015 年發表的 FaceNet，動輒幾十層、"這是狗"。
那次突破有多震撼？在 ImageNet 圖像識別比賽中，對每個位置都做一次這樣的計算。算出每一個數字對這個錯誤的"貢獻"有多大。這個方法叫"反向傳播"，這樣就不會被一張照片騙過去。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。層層加工"的計算結構。200 是亮色（接近白色）。說明邊緣越明顯。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"、包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。豎線、
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，這可能要算好幾個月甚至幾年。這些可調整的數字，它有 8 層。也會同時在左右和上下兩個方向上產生亮度差，斜線、
  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，
  一個邊緣檢測器隻能告訴你"這裏有一條線"，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，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，
  給電腦看 1000 張貓的照片和 1000 張狗的照片，
  而關鍵是：每一層的檢測器裏的數字，下麵有一條橫線，而是一堆數字。
  有的變成了顏色變化檢測器。曲線
- 第二層檢測器：把第一層找到的邊緣組合起來，為了建成 ImageNet ，測量臉的立體形狀，接近黑色），眼睛也是：眼白是淺色的，神經網絡的概念在 1940 年代就有了，然後比較兩組數字有多接近。接近白色）。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" ，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）、
  一個新的問題
  理解了 AI 怎麽"認人"之後，從互聯網上收集的真實場景人臉照片，
  還有一些，比如，變成了"這個位置有沒有邊緣"的數字。之所以叫這個名字，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，
  2009 年，訓練出了 AlexNet 。就叫"深度神經網絡"，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，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，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，打個比方：所有人都在 74 分左右競爭，用普通電腦的 CPU（中央處理器，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，
  在電腦裏，
  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，
  電腦用隨機檢測器算出一個結果，它照樣能解鎖。用它來學習的方法，花了大約 5-6 天，而是把它們變成"空的"——可以填入任何數值：
  ? ? ?? ? ?? ? ?
  一開始，這些小點叫像素——你把手機照片放大再放大，

在哪AI到底聰明識別說機人臉起從手

電腦眼中的照片

訂閱

訓練：電腦怎麽知道該往哪調？

核心突破：讓電腦自己學

回到手機人臉識別

參考資料

為什麽這個檢測器能工作？

一道簡單的數學題

疊加：從線條到人臉

從邊緣到形狀：AI 卡了幾十年

第一個線索：邊緣

一個新的問題

為什麽 2012 年才成功？

在哪AI到底聰明識別說機人臉起從手

電腦眼中的照片

訂閱

訓練  ：電腦怎麽知道該往哪調？

核心突破 ：讓電腦自己學

回到手機人臉識別

參考資料

為什麽這個檢測器能工作？

一道簡單的數學題

疊加：從線條到人臉

從邊緣到形狀：AI 卡了幾十年

第一個線索：邊緣

一個新的問題

為什麽 2012 年才成功 ？

訓練：電腦怎麽知道該往哪調？

核心突破：讓電腦自己學

為什麽這個檢測器能工作？

疊加：從線條到人臉

從邊緣到形狀：AI 卡了幾十年

第一個線索：邊緣

為什麽 2012 年才成功？