联基同行
会聚共赢

手机相册怎么一眼认出你家猫?聊聊卷积神经网络

周末整理照片,你在相册搜索框里敲了个“猫”字,几百张毛孩子的照片刷地铺满屏幕。你没给任何一张照片打过标签,手机是怎么知道哪张有猫的?这件事背后站着一位老熟人——卷积神经网络。它不声不响地在你的手机、门禁、快递柜里干了好多年活。

在电脑眼里,照片只是一堆数字

先拆掉一个常见想象:很多人以为电脑“看”图,像我们看画一样先看到整体。其实不是。一张手机照片进到电脑里,会变成一张密密麻麻的数字表格,每个格子代表一个像素的亮度,彩色图则每个格子有三组数,分别对应红绿蓝。一张一千万像素的照片,就是三千万个数字摊在那里。没有轮廓,没有猫耳朵,什么都没有。

麻烦也在这里:如果让一个普通网络直接对着三千万个数字找规律,参数量会大到离谱,而且它会把“左上角的猫”和“右下角的猫”当成两件完全不同的事。

一块会滑动的小玻璃片

卷积神经网络的巧思,是造一块很小的“玻璃片”,比如 3×3 个格子,上面写着一些待定的数字。让这块小片从图片左上角开始,一格一格地滑过去,每到一处就和底下的像素数字做一次乘法加法,算出一个新数,填到新的表格里。这一整张新表格,就是“卷积”的结果。那块小片有个正式名字叫卷积核,我更喜欢叫它“图案探测器”。

关键在于,同一块小片要在整张图上反复用上几十万次。这意味着它只学“什么样的局部花纹值得注意”,不管这花纹出现在画面的哪个角落。猫在左上角还是右下角,对它没区别。

而且你可以准备很多块小片:一块专门对横线敏感,一块盯着竖线,还有一块偏爱斜角。它们各干各的,最后把结果叠成一摞交上去。

从一根线条,到一整只猫

单层卷积只能看出点边边角角,所以真正干活的是层层叠叠。前几层看到的是简短笔划——一段明暗交界、一个直角;往中间走,这些东西被拼成眼睛、胡须、耳朵尖;再往后,耳朵加胡须加圆脸凑在一起,才终于被认成“猫”。这种由碎到整的搭建方式,和人的视觉系统有点类似,但别急着浪漫化,它只是在数学上层层组合特征而已。

层与层之间还常插一个叫池化的动作,说白了就是“隔几个数取一个最大值”,把表格缩小一圈。好处是计算量降下来,而且画面稍微挪动几像素,结果也不会翻脸不认人。

几个容易想歪的地方

  • 它不是把猫的样子存进数据库再比对。训练完成后,网络里留下的是一堆数字权重,没有任何一张“标准猫图”。
  • 它也不需要天文数字的图片才能起步。数据量当然越多越好,但靠着对图片做翻转、裁切、调亮度这类“数据增广”,少量素材也能榨出更多价值。
  • 卷积神经网络本身只是一台特征提取机器,给你一个“这张图很像猫”的概率。判断、框选、生成文字描述,都还得靠后面的模块配合。

它也有明显的脾气

这类网络最让人头疼的是吃数据。想让它认得准,往往要几十万张人工标注过的图片,标注本身就是一笔不小的开销。其次是脆弱:把猫图上的像素做一点人眼几乎看不出的扰动,它可能就信誓旦旦说这是一把吹风机。还有黑箱问题——它给出答案,却很难说清楚自己到底盯着画面的哪一块做决定,这让它在需要解释的场合不太好用。

另外,它对“整体构图”的把握其实一般。卷积核只在自己那一小片地盘上做计算,感受不到远处的两张脸是不是同一个人,这也是后来各种注意力机制被引入的原因。

但这些短板正在被一点点补上:更聪明的数据增广、可解释性工具、把卷积和注意力混搭的混合结构,都在往前走。卷积神经网络大概不会永远站在聚光灯正中,可它当年那个“用小块反复滑动”的思路实在太朴素也太好用,短期内很难被彻底取代。下次相册再准确挑出你家猫的丑照,你可以顺手想一下:是有那么一小块玻璃片,在几千万个数字上来来回回擦了几十万遍。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:手机相册怎么一眼认出你家猫?聊聊卷积神经网络
文章链接:https://shfund.net/tech/1191.html