電腦眼中的照片

要理解手機怎麽"人臉識別"，建議零售價 $499

訂閱

如果覺得有意思 ，脸识

每天早上
，别说

彩色照片稍微複雜一點：每個像素需要三個數字，到底它輸出"60% 可能是聪明从手貓" ，下麵有一條橫線，机人所以這幾層叫"卷積層"）。脸识在人臉識別領域常用的别说測試集 LFW（Labeled Faces in the Wild，比如 Google 在 2015 年發表的到底 FaceNet，排成 3×3 ：

10  10  1010  10 20010 200 200

左上角是聪明从手深色（數字 10，解鎖
。机人至今已經用了半個多世紀。脸识鼻子（一個三角形輪廓） 、别说才有了 2012 年的突破 。

2012 年 ，Graphics Processing Unit
，之所以叫這個名字 ，檢測器提取出來的數字指紋和你錄入時的差太遠了 。但疊加四五層之後
，右下角是淺色（數字 200，五官、都是黑色線框" loading="lazy">

比如你的臉和背景之間——皮膚是淺色的 ，200 是亮色（接近白色） 。取名 AlexNet（Alex 的網絡）。再傳給下一個。這個方法叫"反向傳播"，綠色、其餘全是 0（暗）。

• 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，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，處理一下、
有的變成了紋理檢測器。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。綜合判斷最終結果）。加上"女人"，
有的變成了顏色變化檢測器。逼網絡學到更通用的規律 ，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，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 ，

現在我用一個"檢測器"來掃描它。保持

整個過程沒有任何"理解"
。但核心識別原理——把采集到的數據變成數字、第三層找五官部件
，但換了個發型，對應位置的數字相乘
，什麽是"鼻子" 。找到了邊緣 ，"這是狗" 、所以還能匹配上。這可能要算好幾個月甚至幾年 。

• 如果左右兩邊顏色一樣——正數和負數互相抵消 
  ，最終的錯誤會變大還是變小
  ？
  • 如果變小——好 ，一層一層往回追溯  ，自己找到了有用的規律  。就能看到一個個小方塊
    ，手機往往就不認識你了
    。兩個檢測器都會給出非零結果。神經網絡的概念在 1940 年代就有了 ，他們第一次用數學來描述神經元的工作方式
    。眼睛也是：眼白是淺色的 ，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 ，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，

    你看，就叫"深度神經網絡" ，把所有檢測器發現的信息都匯集在一起，

    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 、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。用它來學習的方法 ，

      讓我用一個具體例子來演示 。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，一個很大的正數。叫"參數" 。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 ，

      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。AI 為什麽能通過律師考試卻會一本正經地撒謊 。圖形處理器）來算 。那就是像素。而不是死記每張圖的細節）
      。

      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 。它專門用來檢測垂直方向的邊緣
      。而是它從大量的對錯反饋中，但邊緣隻是一堆線條 。我一直很好奇 AI 到底是怎麽工作的，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
      ，

      那次突破有多震撼 ？在 ImageNet 圖像識別比賽中 ，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，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，一個三角形在中間
      ，

      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，

      一個新的問題

      理解了 AI 怎麽"認人"之後 ，5 次都猜錯才算錯）——領先超過 10 個百分點
      。現在你隻需要知道：電腦有辦法算出調整的方向和幅度。接近白色）  。第二層找形狀，"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"、

    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）
    ，是從幾百萬張人臉照片中"學"出來的  。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。越大越亮 。

    

    GPU 原本是用來生成（渲染）遊戲畫麵的。

    一個邊緣檢測器隻能告訴你"這裏有一條線" ，即可訂閱。三角形
    、但眼睛、就有 100 萬個像素。結果的數字越大（不管是正還是負），擅長一件一件地處理複雜任務），

    如果我們換一塊顏色完全相同 、GPU 訓練神經網絡比 CPU 快約 70 倍。

    一個人的臉可以有無數種表情
    、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
    ，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" 、就無法判斷對錯，

    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，所以 GPU 特別擅長"同時做很多簡單的計算"。曲線
    第二層檢測器：把第一層找到的邊緣組合起來，這個檢測器會在整張圖片上一格一格地滑動，這些"正確答案"是電腦學習的前提——沒有答案，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，
    它錯了	。
    解決方法是：疊加很多層	。
    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。但換發型還能認出來？
    因為口罩遮住了臉的下半部分——嘴巴、
    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，經過層層計算，中間有一條從左上到右下的分界線——這就是一條邊緣
    。斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。旗艦模型超過 1 億個參數，這個係列就是我的探索筆記，為什麽這幾個數字能檢測邊緣？先看看它怎麽用	，8 層網絡
    ，
    這就是 AI 在"看"這件事上卡住了幾十年的地方。會自己變成有意義的檢測器
    
    。
    Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，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，GPU 算力
    、
    這個設計很聰明，檢測更複雜的東西。動用了來自 167 個國家的近 5 萬名標注工人，數字越大，
    -1  0  1-2  0  2-1  0  1
    當它掃描圖片的一個區域時
    ，這些小點叫像素——你把手機照片放大再放大	
    ，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
    。
    但文字呢	？
    當你對 ChatGPT 說"蘋果"，就能看到"臉"了	。貓臉、沒有人花這麽大力氣去收集和標注這麽多圖片	
    。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。隻用加減乘除，從 1.6 億張候選圖片中篩選和標注。它隻是在做加減乘除
    ：把像素變成邊緣，這也是邊緣
    。直到一個想法改變了一切	：
    不要人類來設計檢測器，能識別的東西就越複雜	。
    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）	。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。
    邊緣勾勒出了圖片裏"有東西"的地方
    。斜線、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
    ，
    一個現代的人臉識別模型可能有幾百萬到上億個參數。
    整個網絡包含 6000 萬個可調整的數字	。完全不需要知道什麽是"臉"、
    手機不知道什麽是眼睛
    
    、為了建成 ImageNet，戴上口罩	，算出每一個數字對這個錯誤的"貢獻"有多大。當時售價 499 美元），表情——這些讓一張臉變得獨特的要素。花了大約 5-6 天，
    比如下麵這個 5×5 的小圖：
    在電腦裏
    ，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"
    
    ，層層加工"的計算結構。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）、算法改進——同時到位
    ，一張 1000×1000 的照片	
    ，"這是汽車"。叫神經網絡。中間一列全是 0
    。分給大量網上工人完成的平台），
    所以當你拿手機對著自己的臉，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，

  怎麽用呢
？把檢測器疊放到圖片上，結果是 0（沒有邊緣）

• 如果右邊比左邊亮——正數那邊貢獻更大，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 ，

  2. 算力

  訓練一個模型，把邊緣變成形狀 ，

  仔細看這個檢測器的結構：左邊一列全是負數 ，層數很多的神經網絡，本質上就是：右邊的亮度 - 左邊的亮度。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，而今天的大型模型，

     這就是電腦"看"圖片的第一步 ：找到所有顏色突變的位置
     。什麽是"眼睛"，打個比方：所有人都在 74 分左右競爭，然後全部加起來。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，歡迎分享+關注。

     這就是"訓練"。一個管上下——就能找到圖片中任意方向的邊緣 。

     實際使用時，把那個數字調小一點

每次調整的幅度都很小（比如 0.001）
，

2012 年的突破用了一個聰明的辦法  ：用遊戲顯卡（GPU，第一層隻能看到線條，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 
，

反向傳播做的事情是
：從最後的錯誤出發，訓練出了 AlexNet。這些技術讓更深的網絡變得可訓練。對每個位置都做一次這樣的計算 。它自己發現了"檢測邊緣有助於區分貓和狗"
 。這些可調整的數字，它通過層層檢測器從數字中提取特征。歡迎關注我，結果肯定是亂七八糟的 。中間的灰色就是 1 到 254 。測量臉的立體形狀，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 ，是數字 。從互聯網上收集的真實場景人臉照片，

這需要大量的計算。層數越多，叫做反向傳播——1986 年由 Rumelhart 、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 ，49000 名標注工人來自 167 個國家

怎麽調整？不是隨機亂調，

這就是"學習"的本質
：不是有人教了它規則 ，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 ，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），

在此之前，每張都貼好標簽——"這是貓"、反向傳播算法在 1986 年就發表了。但也很簡單——本質就是"比較左右兩邊的亮度差" 。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，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、

一道簡單的數學題

假設我們有一小塊圖片，它照樣能解鎖 。隨機填一組數字，都不是人類設計的，無數種光線。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。所以選擇了這樣的數字組合。電腦的"大腦"，

重複這個過程幾百萬次
。

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） 。就能檢測出圖片裏有沒有某種特征。層層提取特征——和我們前麵講的完全一樣）