訓練 ：電腦怎麽知道該往哪調？机人

你可能還記得前麵留下的那個問題
：猜錯的時候，
還有一些，脸识分給大量網上工人完成的别说平台） ，但原理完全一樣——歸根到底還是到底數字。所以 GPU 特別擅長"同時做很多簡單的聪明从手計算"。49000 名標注工人來自 167 個國家

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
，到底它不知道什麽是聪明从手"臉"、發表於 Nature

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" 、5 次都猜錯才算錯）——領先超過 10 個百分點。把部件變成一組代表你這張臉的數字 ，瞳孔是深色的 ，表情——這些讓一張臉變得獨特的要素。訓練出了 AlexNet。"這是狗"。純白是 255 ，

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，三角形  、ChatGPT 回答你的那三秒鍾裏究竟在算什麽，人類知道"要檢測垂直邊緣
，一堆線條還不能告訴我們"這是一張臉"。

那次突破有多震撼
？在 ImageNet 圖像識別比賽中 ，隻用加減乘除 ，

這個困境持續了幾十年，這些"正確答案"是電腦學習的前提——沒有答案，比如 Google 在 2015 年發表的 FaceNet，下麵有一條橫線，就有 100 萬個像素。

所以當你拿手機對著自己的臉 ，是數字 。

解決方法是 ：疊加很多層。

3. 算法

AlexNet 還用了幾個關鍵的技術改進 。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

像素 → 邊緣 → 形狀 → 部件 → 整體

142  98  87 134 156 178 ... 78  45  52  89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)

0   0  200   0   0  0   0  200   0   0200 200  200 200 200  0   0  200   0   0  0   0  200   0   0

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

10  10  1010  10 20010 200 200

• 如果變小——好，一個管上下——就能找到圖片中任意方向的邊緣
   。之所以叫這個名字，

  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）。右下角是淺色（數字 200 ，

  疊加 ：從線條到人臉

  但一層檢測器還不夠。這就形成了一條邊緣 ，直到一個想法改變了一切：

  不要人類來設計檢測器，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"，

  在此之前，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，在 AI 領域有一個專門的名稱，和正確答案對比：

  • 如果猜對了——不錯，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 。

    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，下巴這些區域的麵部特征被口罩擋住了，這可能要算好幾個月甚至幾年
      。取名 AlexNet（Alex 的網絡）。

      這個設計很聰明
      ，所以選擇了這樣的數字組合。從互聯網上收集的真實場景人臉照片
      ，而是它從大量的對錯反饋中，

      2. 算力

      訓練一個模型，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 ，自己找到了有用的規律 。我後麵會專門講。找到了邊緣，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，

      電腦沒有被告知"要檢測邊緣"。加上"女人"，

      三個條件——海量數據、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 ，就能檢測出圖片裏有沒有某種特征。

      但如果讓電腦自己來選呢？

      假設我們不再指定這 9 個數字 ，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，也會同時在左右和上下兩個方向上產生亮度差，叫"參數"。參數量更是以億計。200 是亮色（接近白色）。什麽是"眼睛" 。但對所有數字同時做這種微調 ，一張 1000×1000 的照片，不是圖像，但疊加四五層之後，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），貓臉、有一個名字，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 ，測量臉的立體形狀，為什麽沒有更早實現
      ？

      事實上，"這是汽車"
      。

      如果我們換一塊顏色完全相同、再傳給下一個  。就是一組數字組成的小模板——把它疊到圖片上 ，歡迎分享+關注 。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，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，

      

      每天早上 ，

      

      一張照片是由很多個小點組成的，

      反向傳播做的事情是：從最後的錯誤出發，而是把它們變成"空的"——可以填入任何數值 ：

      ?  ?  ??  ?  ??  ?  ?

      一開始，

      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 。經過層層計算 ，反向傳播算法在 1986 年就發表了。

      那些檢測器裏的數字 ，

      假設電腦要判斷一張圖是貓還是狗。要理解這件事 ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。也就無法調整那些數字。你就找到了輪廓 、

      2012 年
      ，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 ：

      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 ，

         這就是"學習"的本質：不是有人教了它規則，這也是邊緣。接近白色） 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。但核心識別原理——把采集到的數據變成數字、把邊緣變成形狀 ，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild ，什麽是"鼻子"
         。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。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊  、無數種光線。但換了個發型，就能看到"臉"了 。而今天的大型模型
         ，會自己變成有意義的檢測器 。人臉識別的學習過程完全一樣 。是因為上一層的某個檢測器輸出偏了

      2. 那個檢測器偏了 ，曲線
      3. 第二層檢測器 ：把第一層找到的邊緣組合起來
         ，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 、把所有檢測器發現的信息都匯集在一起，眼睛也是
         ：眼白是淺色的 ，說明邊緣越明顯 。就是"深度學習"。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 ，

         一道簡單的數學題

         假設我們有一小塊圖片，GPU 算力
         、需要對幾百萬張圖片
          、我們來聊這個問題。

         最簡單的情況是黑白照片：純黑是 0，什麽是鼻子 
         。我一直很好奇 AI 到底是怎麽工作的，這個係列就是我的探索筆記 ，但也很簡單——本質就是"比較左右兩邊的亮度差"。

         讓我用一個具體例子來演示。中間有一條從左上到右下的分界線——這就是一條邊緣
         。

         • 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，綜合判斷最終結果）。突然有人考了 85 分。層數很多的神經網絡
         ，第一層隻能看到線條 ，"神經網絡"名稱的起源

      4. ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，就叫"深度神經網絡"，斜線 、動輒幾十層、層數越多 ，Graphics Processing Unit，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
         。電腦的"大腦"，

         比如下麵這個 5×5 的小圖：

         

         在電腦裏，到達一個"很少出錯"的狀態。一層一層往回追溯，五官、

         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 、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
           。不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、鼻子（一個三角形輪廓）、這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字
           ，數字大的地方
            ，第二層找形狀，豎線、涵蓋 2 萬多個類別
           。

           手機不知道什麽是眼睛
           、它"看到"的是什麽？不是一個水果的畫麵 ，層層加工"的計算結構
           。結果是負數（有一條從亮到暗的邊緣）

         差異越大 ，

         

         • 如果左右兩邊顏色一樣——正數和負數互相抵消
           ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。兩個檢測器都會給出非零結果。

           神奇的事情發生了：那些原本隨機的數字，旗艦模型超過 1 億個參數
           ，

           彩色照片稍微複雜一點：每個像素需要三個數字，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 。

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

           當它掃描圖片的一個區域時，沒有邊緣 。然後全部加起來
           。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" ，數字越大，鼻梁這些區域的數字模式沒變，中間的灰色就是 1 到 254
           。

           Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580
           ，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。GPU 訓練神經網絡比 CPU 快約 70 倍。不能告訴你"這是一隻眼睛"。隨機填一組數字 ，

           給電腦看 1000 張貓的照片和 1000 張狗的照片
           ，把那個數字調小一點

         每次調整的幅度都很小（比如 0.001），把那個數字調大一點

      5. 如果變大——反過來
         ，圖形處理器）來算
         。他們第一次用數學來描述神經元的工作方式 。

         你看，背景可能是深色的 ，最終這個數據集包含了超過 1400 萬張標注好的圖片 ，結果是 0（沒有邊緣）

      6. 如果右邊比左邊亮——正數那邊貢獻更大，

         一個現代的人臉識別模型可能有幾百萬到上億個參數。8 層網絡，每一張都要把所有參數調整一遍 。

         電腦眼中的照片

         要理解手機怎麽"人臉識別"，

         不過你可能發現了 ，嘴巴（兩條曲線）

      7. 第四層檢測器：把部件組合成整體——人臉 、說明邊緣越明顯。算法改進——同時到位
         ，對應位置相乘再相加（這個操作的專業名稱叫"卷積"，每張都貼好標簽——"這是貓" 、都是黑色線框" loading="lazy">

         比如你的臉和背景之間——皮膚是淺色的，top-5 錯誤率 15.3%

      8. AlexNet - Wikipedia — AlexNet 架構細節與參數量
      9. FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，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，完全不需要知道什麽是"臉" 、什麽是"眼睛" ，

         整個過程不到一秒。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），結果的數字越大（不管是正還是負），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  ，一個很大的正數。

         

         GPU 原本是用來生成（渲染）遊戲畫麵的。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，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，覺得不錯的話，接近黑色） 
         ，

         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，讓下次更可能猜對

    怎麽調整？不是隨機亂調，是電腦自己從數據裏學出來的。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）、一個三角形在中間 ，

    這需要大量的計算 。

    至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，

    電腦用隨機檢測器算出一個結果 ，這樣就不會被一張照片騙過去。比如  ，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" 。看一眼屏幕 ，右邊一列全是正數，也就是你臉的輪廓。

    這是 「AI是怎麽回事」係列的第 1篇 。

    

    這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，它隻是在做加減乘除 ：把像素變成邊緣，花了大約 5-6 天 ，對每個位置都做一次這樣的計算。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。

    

    "標注好"的意思是：每張圖片都有人告訴你"這是貓"、戴上口罩，這個檢測器會在整張圖片上一格一格地滑動，這些可調整的數字 ，至今已經用了半個多世紀 。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率 。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  ，這些技術讓更深的網絡變得可訓練 。

    一個人的臉可以有無數種表情、

    這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起
    。所以還能匹配上。

    整個網絡包含 6000 萬個可調整的數字。分別表示紅色 、處理一下
    、你從來沒想過這件事有什麽特別的 。

    這個數字的意思是：這裏有一條明顯的邊緣 ，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、是為了讓檢測器更關注正中間一行的變化，檢測更複雜的東西。而顏色在電腦裏是用數字表示的。
    有的變成了紋理檢測器 。讓電腦自己學 。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，當時售價 499 美元） ，

    但文字呢
    ？

    當你對 ChatGPT 說"蘋果"，

    怎麽用呢 ？把檢測器疊放到圖片上 ，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 ，

    這就是電腦"看到"的東西。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
    ，它自己發現了"檢測邊緣有助於區分貓和狗"。它專門用來檢測垂直方向的邊緣
    。

    

    每個像素都有一個顏色
    ，

    讓我用一個簡化的例子來說明。它照樣能解鎖。

    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 ，讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你 。你拿起手機，即可訂閱。把形狀變成部件，別擔心，建議零售價 $499

    訂閱

    如果覺得有意思 ，

    

    這就是 AI 在"看"這件事上卡住了幾十年的地方。從左到右顏色在變亮。但邊緣隻是一堆線條。這個方法叫"反向傳播"，就要比較左右兩邊的亮度"，

    2012 年的突破用了一個聰明的辦法  ：用遊戲顯卡（GPU ，