而訓練神經網絡恰好也是到底這種活——對幾百萬個數字做大量簡單的乘法和加法。那些數字就會逐漸穩定下來，聪明从手就能找到圖片裏顏色變化的机人地方。現在你隻需要知道：電腦有辦法算出調整的脸识方向和幅度。但核心識別原理——把采集到的别说數據變成數字 、一堆線條還不能告訴我們"這是到底一張臉" 。動輒幾十層
 、聪明从手算出每一個數字對這個錯誤的机人"貢獻"有多大。一層一層往回追溯，脸识什麽是别说"眼睛"，

現在我用一個"檢測器"來掃描它。到底是聪明从手數字。完全不需要知道什麽是机人"臉"
、層數很多的脸识神經網絡
，其中前 5 層做的别说就是我們前麵演示的操作——用檢測器在圖片上滑動、我們來聊這個問題。

3. 算法

AlexNet 還用了幾個關鍵的技術改進。它"看到"的是什麽？不是一個水果的畫麵 ，中間的灰色就是 1 到 254。讓下次更可能猜對

怎麽調整？不是隨機亂調 ，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，才有了 2012 年的突破
。

而關鍵是 ：每一層的檢測器裏的數字，什麽是鼻子。斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文 ，就是邊緣。

在此之前，

電腦眼中的照片

要理解手機怎麽"人臉識別"
，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
   ，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。不是圖像，

   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、為什麽沒有更早實現？

     事實上 ，
     有的變成了紋理檢測器
     。他們第一次用數學來描述神經元的工作方式。

     這就是電腦"看到"的東西 。越大越亮
     。

     這是 「AI是怎麽回事」係列的第 1篇 。讓電腦自己學 。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 ，判斷"這是不是主人的臉"。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，會自己變成有意義的檢測器
     。手機往往就不認識你了。就無法判斷對錯 ，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 ，它輸出"60% 可能是貓"，你從來沒想過這件事有什麽特別的。叫神經網絡 。

     重複這個過程幾百萬次。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），識別簡單形狀——圓形
     、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，

     Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，逼網絡學到更通用的規律，這些可調整的數字，那就是像素 。自己找到了有用的規律
     。

     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，

     仔細看這個檢測器的結構 ：左邊一列全是負數 ，但永遠覆蓋不了真實世界的複雜性。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，

     一個邊緣檢測器隻能告訴你"這裏有一條線"，戴上口罩，所以選擇了這樣的數字組合。至今已經用了半個多世紀
     。中間有一條從左上到右下的分界線——這就是一條邊緣。你就找到了輪廓、

     這種"很多層檢測器疊加"的結構
      ，這可能要算好幾個月甚至幾年。

     最簡單的情況是黑白照片：純黑是 0 ，

     手機不知道什麽是眼睛 、第二層找形狀，所以 GPU 特別擅長"同時做很多簡單的計算"。說明邊緣越明顯。

     至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，結果肯定是亂七八糟的。都不是人類設計的 ，這就形成了一條邊緣，但原理完全一樣——歸根到底還是數字。我後麵會專門講。建議零售價 $499

訂閱

如果覺得有意思 ，排成 3×3：

10  10  1010  10 20010 200 200

左上角是深色（數字 10 ，兩個檢測器都會給出非零結果 。它通過層層檢測器從數字中提取特征
。遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，結果是 0（沒有邊緣）

每次調整的幅度都很小（比如 0.001），每一張都要把所有參數調整一遍。從互聯網上收集的真實場景人臉照片，"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"、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，原理完全一樣
，它有 8 層
。為什麽這幾個數字能檢測邊緣 ？先看看它怎麽用
，取名 AlexNet（Alex 的網絡）。

這就是"訓練"。

邊緣勾勒出了圖片裏"有東西"的地方
。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 。解鎖 。

回到手機人臉識別

現在你知道手機是怎麽認出你的了。

三個條件——海量數據、

這個困境持續了幾十年 ，一個管上下——就能找到圖片中任意方向的邊緣 。而發型屬於臉的外圍，中間一行全是 0。

那次突破有多震撼？在 ImageNet 圖像識別比賽中，這個方法叫"反向傳播"，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"
，就是一組數字組成的小模板——把它疊到圖片上，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 ，200 是亮色（接近白色） 。即可訂閱
。是電腦自己從數據裏學出來的。旗艦模型超過 1 億個參數，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，

每個像素都有一個顏色，找到了邊緣，它照樣能解鎖 。數字大的地方，李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊 、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，對每個位置都做一次這樣的計算 。"這是汽車"。

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 ，覺得不錯的話，是從幾百萬張人臉照片中"學"出來的 。"神經網絡"名稱的起源
2. 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
3. 那個檢測器偏了
   ，這些"正確答案"是電腦學習的前提——沒有答案，接近黑色）
   ，

   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
   ，

   所以當你拿手機對著自己的臉，花了大約 5-6 天，

   這個數字的意思是：這裏有一條明顯的邊緣，

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

   當它掃描圖片的一個區域時 ，本質上就是 ：右邊的亮度 - 左邊的亮度。GPU 算力、嘴巴（兩條曲線）

4. 第四層檢測器：把部件組合成整體——人臉、

   電腦用隨機檢測器算出一個結果 ，但換發型還能認出來？

   因為口罩遮住了臉的下半部分——嘴巴、這個檢測器會在整張圖片上一格一格地滑動
   ，就能看到一個個小方塊，

   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
     ，斜線、但眼睛、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 ，

     不過你可能發現了，上百層 ，到達一個"很少出錯"的狀態 。它隻是在做加減乘除 ：把像素變成邊緣
     ，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，歡迎關注我，叫"參數"  。對應位置的數字相乘
     ，右下角是淺色（數字 200，沒有邊緣
      。而是它從大量的對錯反饋中 ，處理一下
     、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，
     • 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 ，

     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，我一直很好奇 AI 到底是怎麽工作的，分給大量網上工人完成的平台） ，用普通電腦的 CPU（中央處理器，發現了很多有意思的東西，

       但如果我們告訴電腦"正確答案"呢 ？

       就像老師批改作業一樣。這個係列就是我的探索筆記 ，

       

       給電腦看 1000 張貓的照片和 1000 張狗的照片
       ，五官、

       那些檢測器裏的數字，

       一個現代的人臉識別模型可能有幾百萬到上億個參數。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。純白是 255
       ，層層加工"的計算結構 。綠色 、眼睛也是：眼白是淺色的 ，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"，直到一個想法改變了一切：

       不要人類來設計檢測器，就叫"深度神經網絡"，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，這樣就不會被一張照片騙過去 。能識別的東西就越複雜。從左到右顏色在變亮。突然有人考了 85 分 。這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字，每張都貼好標簽——"這是貓"
       、貓臉、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、豎線 、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，參數量更是以億計。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，

     讓我用一個具體例子來演示。但邊緣隻是一堆線條。證明在特定任務上，

     

     這就是 AI 在"看"這件事上卡住了幾十年的地方。三角形 、把那個數字調大一點

   • 如果變大——反過來
     ，

     神奇的事情發生了：那些原本隨機的數字，所以這幾層叫"卷積層"） 。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 ，其餘全是 0（暗）。

     假設電腦要判斷一張圖是貓還是狗。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 ，隻用加減乘除，數字越大，
     有的變成了顏色變化檢測器。右邊一列全是正數，而是一堆數字 。訓練這樣一個模型，但對所有數字同時做這種微調 ，這些技術讓更深的網絡變得可訓練。"這是狗"
     、6000 萬參數，再傳給下一個。背景可能是深色的，保持

   • 如果猜錯了——調整那 9 個數字，隨機填一組數字 ，用它來學習的方法，就能看到"臉"了 。什麽是"鼻子"。打個比方 ：所有人都在 74 分左右競爭 ，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
     ，鼻子（一個三角形輪廓）、哪怕是一條 45° 的斜線，檢測更複雜的東西。擅長一件一件地處理複雜任務） ，

     一個人的臉可以有無數種表情、這也是邊緣
     。

     

     GPU 原本是用來生成（渲染）遊戲畫麵的。我們先用一個更簡單的任務來說明這個過程——區分貓和狗  。

     它錯了。都是黑色線框" loading="lazy">

     比如你的臉和背景之間——皮膚是淺色的，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"
     、就要比較左右兩邊的亮度" ，

     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，

     2. 算力

     訓練一個模型，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）
     、但換了個發型，動用了來自 167 個國家的近 5 萬名標注工人，

     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。和正確答案對比：

     • 如果猜對了——不錯，就 9 個像素，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
       ，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。把邊緣變成形狀 ，

       

       "標注好"的意思是：每張圖片都有人告訴你"這是貓"、

       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，要理解這件事，
       這就是"學習"的本質：不是有人教了它規則
       ，測量臉的立體形狀，
       還有一些
       ，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 ，

       怎麽用呢？把檢測器疊放到圖片上，當時售價 499 美元），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 ，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，別擔心，但疊加四五層之後  ，不能告訴你"這是一隻眼睛"。

       這就是 AI 的"聰明" ：不是真的理解，表情——這些讓一張臉變得獨特的要素。

       比如下麵這個 5×5 的小圖 ：

       

       在電腦裏 ，

       這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。

       

       每天早上，

       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，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 ，

     但電腦隻看到數字啊
，就能檢測出圖片裏有沒有某種特征。第一層隻能看到線條，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，讓檢測結果更穩定 。

     反向傳播做的事情是 ：從最後的錯誤出發，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" 。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。

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 ，

讓我用一個簡化的例子來說明 。你會看到一個讓我非常震撼的例子
："國王"減去"男人"，

這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，想分享給你。而是把它們變成"空的"——可以填入任何數值：

?  ?  ??  ?  ??  ?  ?

一開始 ，就能得到每個位置的"邊緣強度"和"邊緣方向" 。比如  ，超過 1400 萬張標注圖片