4. 視覺原理

接下來我們來討論視覺原理。為什么你能看到我是一個人？當(dāng)你看到我時，你真的立刻覺得自己在看一個人嗎？不是的，實際上你看到的是一堆像素點，是我的身體影像進入了你的視網(wǎng)膜，上面有很多感光細(xì)胞投影，使你感覺到了一大堆像素點，但問題是如何才能知道這些像素點是一個人？實際上這就是視覺原理。

視覺原理是最近幾年才被真正搞清楚的。在1981年，諾貝爾生理學(xué)和醫(yī)學(xué)獎獲得者，科學(xué)家大衛(wèi)·蘇泊爾和威瑟爾兩人發(fā)現(xiàn)了視覺原理。具體做法是將電極插入貓的腦子，讓貓觀察各種信號，觀察完成后，發(fā)現(xiàn)貓的大腦中與視覺相關(guān)的細(xì)胞分為兩種：一種是對特定線條有反應(yīng)的細(xì)胞，稱為簡單細(xì)胞；另一種是對運動線條有反應(yīng)的復(fù)雜細(xì)胞。

在他們的啟發(fā)下，日本科學(xué)家在福島邦彥提出了神經(jīng)認(rèn)知模型。

這個模型很有趣。

他認(rèn)為：人的視覺分為多層。外界光進入眼睛后，通過瞳孔晶狀體在視網(wǎng)膜上的成像實際上是一堆像素點，這些像素點信息會傳遞到大腦中，大腦最初接收信號的是V1皮層，或者叫初級皮層；初級皮層獲得像素點后，會對像素點進行處理，處理后變成線條，再傳到V2皮層，稱為次級皮層；次級皮層根據(jù)這些線條組合成圖形；再傳遞到三級皮層。

當(dāng)你看到一個人時，首先是一堆像素點，然后大腦將這些像素點連成線條，接著將線條變成圖形，再上色。最后你就發(fā)現(xiàn)原來看到的是一個人，不是一個昆蟲。

這個模型就被人們做成了一個人工智能的方法，首先通過組合像素點，將其變成邊緣特征，然后將邊緣特征組合成輪廓，比如鼻子和眼睛等，最后將輪廓轉(zhuǎn)化為更大的物體模型。這與傳統(tǒng)認(rèn)知有所不同，傳統(tǒng)認(rèn)知認(rèn)為，首先觀察到輪廓，再關(guān)注細(xì)節(jié)。實際上，但事實上科學(xué)家說，我們是將細(xì)節(jié)逐步組合成一個整體，才能認(rèn)識到對方的整體，每一級工作都是在人腦的不同區(qū)域完成的。

這個人就叫楊立昆。楊立昆想，既然人腦可以做這件事，計算機能不能做？于是他就做了一個卷積神經(jīng)網(wǎng)絡(luò)。插一句，前段時間，楊立昆出來說，ChatGPT沒有任何的智能，它只是鸚鵡學(xué)舌，但是大部分人還是對這個ChatGPT非常感興趣。

5. 卷積神經(jīng)網(wǎng)絡(luò)

我們來簡要介紹卷積神經(jīng)網(wǎng)絡(luò)的原理。卷積神經(jīng)網(wǎng)絡(luò)的原理稍顯復(fù)雜，首先，我們想讓大家看這4張圖，實際上每張都是一個字母X，人類一眼就能看出來，但這4張圖完全不一樣。

因此，在計算機無法識別出它們是不是X時，我們需要采用一些方法。雖然這些圖形本質(zhì)上不太一樣，但它們都有一些共同的特征，比如，中間都是一個中間白、四角白，然后四邊有一塊黑色的十字圖形；再比如，左上角都有兩個白塊。所以我們假設(shè)無論在哪個地方，只要能尋找到這些特征，或者找到的這些特征特別多的時候，我們就認(rèn)為它是一個X。

具體如何尋找涉及到復(fù)雜的運算，稱為卷積。大致意思是將原來的數(shù)據(jù)與設(shè)計好的卷積核進行內(nèi)積，內(nèi)積就是對應(yīng)項相乘再相加，然后得出一個特征值，特征值越大，說明它越滿足X的特征。例如，這里的特征值為2，說明左上角的圖形與卷積核接近，若特征值為3，則更接近。

我們通過這種方法逐步尋找，最后得到一張圖，它展示了我們完成卷積后的結(jié)果。這個結(jié)果告訴我們，在這些部位的特征是2333，表示這些部位的特征非常接近。我們還可以將這作為一個示意圖，將原來的圖像通過卷積核轉(zhuǎn)換為多個不同的圖像，每個圖像代表一些特征，這些特征組合起來便是我們想要的判斷結(jié)果。

還有一個過程叫池化，這個概念更加復(fù)雜一些。大致意思是，左上角2、3表示左上角確實具有某個特征，特征2并沒有特征3強，那么可以省略特征2，這樣計算會更簡單一些?？傊覀冃枰ㄟ^卷積抽象出圖像的特征，然后通過池化，可以讓圖形更小一些。池化后，我們進入Sigmoid函數(shù)，大意就是決定到底是否向下游進行傳遞。比如這張圖的特征值非常大，就表明特別容易產(chǎn)生一個X，因此，這組神經(jīng)元可能會向下游傳導(dǎo)。

總的來說，經(jīng)歷了卷積、池化等步驟，我們就模擬了人眼的機制，本來輸入大量像素點，通過卷積抽象出特征，再輸入到下一層。對于計算機來說，一個人和一只威爾士柯基犬并無區(qū)別，但是經(jīng)過一層一層輸出，計算機就理解了，這堆雜亂的像素點組合出來的是人、桌子、椅子。