為什麽這個檢測器能工作？机人

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。
還有一些，脸识

順便說一下這個檢測器的别说來曆：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，比如 Google 在 2015 年發表的到底 FaceNet  ，這個方法叫"反向傳播"，聪明从手到達一個"很少出錯"的机人狀態。每張都貼好標簽——"這是脸识貓" 、用普通電腦的别说 CPU（中央處理器 ，證明在特定任務上，到底它自己發現了"檢測邊緣有助於區分貓和狗"
。聪明从手它專門用來檢測垂直方向的机人邊緣。鼻子（一個三角形輪廓）
、脸识

一個人的别说臉可以有無數種表情 、

電腦用隨機檢測器算出一個結果，就能看到"臉"了。

讓我用一個簡化的例子來說明 。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
。才有了 2012 年的突破 。下巴這些區域的麵部特征被口罩擋住了，這個檢測器會在整張圖片上一格一格地滑動，叫做反向傳播——1986 年由 Rumelhart、中間一行全是 0 。這也是邊緣 。最終這個數據集包含了超過 1400 萬張標注好的圖片 ，Graphics Processing Unit ，但眼睛 、

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，你會看到一個讓我非常震撼的例子："國王"減去"男人"
，其餘全是 0（暗）
。
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，而顏色在電腦裏是用數字表示的。訓練這樣一個模型
，
每個像素都有一個顏色
，兩個檢測器都會給出非零結果	。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
，算法改進——同時到位，
這就是"訓練"。是因為上一層的某個檢測器輸出偏了
那個檢測器偏了，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
，隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度"
。
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，它"看到"的是什麽？不是一個水果的畫麵
，
彩色照片稍微複雜一點：每個像素需要三個數字，自己找到了有用的規律
。6000 萬參數	，瞳孔是深色的，
解決方法是：疊加很多層
。
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。五官、這些"正確答案"是電腦學習的前提——沒有答案，
最簡單的情況是黑白照片：純黑是 0，"這是狗"。
這就是 AI 的"聰明"：不是真的理解，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，都不是人類設計的	，
2009 年，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"，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，突然有人考了 85 分。
至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，就能得到每個位置的"邊緣強度"和"邊緣方向"。
不過你可能發現了
，
整個過程不到一秒。你就找到了輪廓、叫 Sobel 算子（"算子"就是"計算工具"的意思）。第三層找五官部件，
這就是"學習"的本質
：不是有人教了它規則，在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，
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）。經過層層計算，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
，這些可調整的數字
，
一個邊緣檢測器隻能告訴你"這裏有一條線"
，為什麽？
先別急著回答。對應位置相乘再相加（這個操作的專業名稱叫"卷積"，
仔細看這個檢測器的結構
：左邊一列全是負數，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

，但對所有數字同時做這種微調	，那就是像素。讓檢測結果更穩定
	。但邊緣隻是一堆線條。數字越小越暗	，
不過你可能注意過一個奇怪的事：在幾年前
，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。接近黑色），你從來沒想過這件事有什麽特別的。需要對幾百萬張圖片
、是電腦自己從數據裏學出來的。我們來聊這個問題。上百層
，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
，就叫"深度神經網絡"	
，人臉識別的學習過程完全一樣。動輒幾十層、之所以叫這個名字，這些技術讓更深的網絡變得可訓練。能識別的東西就越複雜。
這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。叫"參數"。
那次突破有多震撼
？在 ImageNet 圖像識別比賽中
，什麽是"鼻子"

。
一道簡單的數學題
假設我們有一小塊圖片
，然後全部加起來。所謂檢測器，花了大約 5-6 天，不能告訴你"這是一隻眼睛"。
怎麽用呢？把檢測器疊放到圖片上
，藍色的強度（也是 0 到 255）。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，三角形、在 AI 領域有一個專門的名稱，但正確答案是"狗"。對應位置的數字相乘，訓練出了 AlexNet。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、
一個現代的人臉識別模型可能有幾百萬到上億個參數

	。分給大量網上工人完成的平台），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
。
實際使用時，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文
，就 9 個像素	，把那個數字調小一點
每次調整的幅度都很小（比如 0.001）
，直到一個想法改變了一切：
不要人類來設計檢測器，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，沒有邊緣	。
反向傳播做的事情是：從最後的錯誤出發，一層一層往回追溯
，200 是亮色（接近白色）	。"這是狗"、即可訂閱
。發現了很多有意思的東西，有一個名字
，為什麽這幾個數字能檢測邊緣？先看看它怎麽用，排成 3×3：
10  10  1010  10 20010 200 200
左上角是深色（數字 10，
但文字呢

？
當你對 ChatGPT 說"蘋果"
，建議零售價 $499
訂閱
如果覺得有意思
	，
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，再傳給下一個。"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"

、GPU 算力
、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	，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
。8 層網絡

，下麵一行全是正數，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，這個係列就是我的探索筆記，動用了來自 167 個國家的近 5 萬名標注工人，中間有一條從左上到右下的分界線——這就是一條邊緣
。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。但核心識別原理——把采集到的數據變成數字、歡迎關注我，
它錯了
。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	，"神經網絡"名稱的起源
ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，
3. 算法
AlexNet 還用了幾個關鍵的技術改進	。會自己變成有意義的檢測器。這些小點叫像素——你把手機照片放大再放大，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）
、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，也就是你臉的輪廓。
重複這個過程幾百萬次。旗艦模型超過 1 億個參數
，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、結果是負數（有一條從亮到暗的邊緣）
差異越大，
每天早上，
但如果讓電腦自己來選呢？
假設我們不再指定這 9 個數字，接近白色）。他們第一次用數學來描述神經元的工作方式	
。
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，而是一堆數字。和正確答案對比：
如果猜對了——不錯，表情——這些讓一張臉變得獨特的要素。
如果我們換一塊顏色完全相同

	、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，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，把邊緣變成形狀，
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580，所以選擇了這樣的數字組合	。一堆線條還不能告訴我們"這是一張臉"
。無數種角度
、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，處理一下、

邊緣勾勒出了圖片裏"有東西"的地方。為了建成 ImageNet，覺得不錯的話，我們先用一個更簡單的任務來說明這個過程——區分貓和狗。檢測更複雜的東西。找到了邊緣，要理解這件事，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。

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

當它掃描圖片的一個區域時 ，從 1.6 億張候選圖片中篩選和標注 。從左到右顏色在變亮
。

• 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 ，但原理完全一樣——歸根到底還是數字
。把所有檢測器發現的信息都匯集在一起 ，層數越多
，這就形成了一條邊緣
，什麽是鼻子
。神經網絡的概念在 1940 年代就有了 ，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），發表於 Nature