往期回顾：小朋友都能懂的人工智能⓵
「04 计算机眼中的世界」
L：想了解人工智能，有一个必要的基础知识是不可或缺的，就是理解计算机是如何认识这个世界。小朋友们，你们知道计算机眼中的世界和我们一样吗？L：小朋友们，其实我们眼中的世界与计算机眼中看到的是大不相同。我们能直接识别各种信息，如数字、英文、汉字及日夜星辰、花草虫鱼、飞禽走兽、人间烟火、万事万物......但计算机看到一切都只是0和1的组合。A：L老师，仅仅用0和1，真的能表示那么多东西吗？”L：如果只有两位的数字，那只有00、 01、 10、 11这4种组合，确实没法玩了，但是位数可不止这么少哦，比如英文字母对应的就是八位的编码，理论上有00000001、00000010、00000011、00000101...... 等256种组合，其中小写字母a对应的二进制表示就是01100001。L：我说的是字母哦，包含大小写在内字母也就52个，所以256种组合已经绰绰有余，由于英文单词由字母组合而成，所以英文单词展示也就很容易实现了。A：我懂了。那汉字没法像英文这样进行字母组合，就需要更多的位数吧？L：小A真聪明！是的，汉字是十六位编码，理论上有0000000000000001、0000000000000010、0000000000000011、0000000000000101......合计65536种组合，足以覆盖所有常用汉字。我们一般把八位称之为一个字节，所以汉字的编码方式也称之为双字节编码。
L：图片更有趣了。图片是由许多被我们称之为像素的小点组成的，每个像素包含了红、绿、蓝三种颜色的信息。通过调整这三种颜色的强度，我们可以在屏幕上显示出各种颜色。C妈：L老师，这些像素都能转成计算机识别的二进制编码01组合，是吧。L：我再用一个简单的游戏来理解。这里有一张纸，上面画了很多小格子。如果想在这张纸上画一个笑脸，只需要在特定的格子里涂上颜色就可以了，每个格子就像是计算机的一个像素。同样大小的纸张，格子越多，即表示像素越多，画起来也就更加平滑，越能画出更精巧的图画。
L：视频本质就是图片的快速组合，所以识别视频自然没问题。计算机如果能认识照片中的你，也能认出奔跑中的你。其实计算机不仅能“看到”万物，也能“听到”声音，还能“感受到”环境.....一切皆可转换成0和1的组合。只认识0和1的计算机，几乎无所不能。
L：这里需要提醒大家，相同的01组合输出对应的结果并非一定是唯一的，比如小写字母a对应的二进制表示就是01100001，而十进制的97对应的也是01100001。L：放心，一个是字母，一个是数字，它们的类型不同，计算机在存储它们时已经根据规则将它们打上了类型标识，这样不就区分开了啊。当然了，这个类型标识也是某种0和1的组合串。L：OK，了解了计算机眼中的世界后，我们可以继续探索人工智能的奥秘。L：之前我和大家说过机器是如何学习的。提到了神经网络模型，同时也说明了依据这个模型可以提取到一些猫的特征，比如尖尖的耳朵等，同时也说明了机器根据反馈机制来试错，从而调整自己的理解，最终真正了解到猫。大家还记得吧。L：今天我们要进一步展开这个过程。其实识别猫的算法有一个更准确的名字，叫卷积神经网络(CNN)，是神经网络模型的一种。CNN涉及到复杂数学模型，大家理解起来是比较困难的，不过有趣的是，神经网络和我们人的认知模式很相似，所以大家还是比较容易理解的。因此我会避开算法细节，通过和我们人类认知模式的对比，来给大家进行CNN的科普。在科学界有一种被称之为神经认知模型的主流学术观点。认为人的大脑里有很多的皮层，是一层一层对视觉信号进行处理的。光从眼睛进去之后，先进入第一个皮层，接着第二个皮层，一直往下。L：大致5到6个皮层。每个皮层对信号的处理方式是不一样的。最开始刚进到眼睛的视网膜里的时候，我们看到的光线是一大堆的像素点，在第一个皮层之中，这些像素点抽象出一些特征，比如说边缘。而且边缘具有方向性，有横、竖、斜之分。这些特征找完后到下一个皮层把这些特征组合起来，形成这个物体的轮廓以及这物体更多的细节。这样再往下不断细化，最后把轮廓和细节组合成一个整体，最终才会做出一个判断。A：可是，L老师，为什么我觉得我一眼就看到你了啊。L：小A，其实你一眼看到的并不是我，而是一个一个的像素点，这些像素点进到你的脑子后，首先会抽象出边缘和方向信息，你发现我是直立行走，应该不是一只猫。接着又发现了更多的细节，比如四肢、脑袋、鼻子、嘴....嗯，判断应该是一个人。继续观察下去，哦，原来就是L老师。只是，只是这些过程进行的太快了，所以你觉得是一眼就认出了我。
L：是的，受到神经认知模型的启发，科学家杨立昆就发明出了一种实用的图像识别方法，即大名鼎鼎的卷积神经网络。C妈：原来卷积神经网络是基于人脑的认知模型发明出来的啊，真神奇。L：现在，让我们深入探讨卷积神经网络（CNN）是怎样工作的。与我们的大脑认知模型通过一层层的处理，从简单的边缘和方向开始，逐步识别出复杂的形状，最终认出一个物体相类似。典型的CNN包括三个主要部分：输入层、隐藏层和输出层。隐藏层不仅仅是一层，而是多层，每一层都负责从图像中提取不同级别的特征。
其中隐藏层可以有多层，每层都有卷积层和池化层。最后的输出层实际是一个全连接层，通过一个激活函数来输出概率的大小，得出最后的判断。L：隐藏层，顾名思义，就是在输入层和输出层之间的那些层，它们对我们来说是不可见的。在这些层中，卷积神经网络通过一种叫做“卷积”的操作来提取图像特征。简单来说，卷积就像是一个滤镜，它在图像上滑动，捕捉特定的图案，比如边缘、角点或更复杂的形状。滑动的动态过程示例如下图所见。B爸：那它是怎么识别猫的呢？
L：假设我们给网络一个猫的图片作为输入。在第一层隐藏层，通过卷积与池化，网络能识别出简单的边缘和角点。随着图像数据进入更深的层，继续卷积与池化，网络开始识别出猫的眼睛、耳朵等更复杂的特征。这些特征会被进一步组合，直到最后几层，网络已经能够识别出整个猫的轮廓。当然了，我这里说的眼睛，耳朵等只是打比方，卷积神经网络所提取的特征值只能被机器读懂，是我们人类所不能理解的。L：在网络的最后，有一个输出层。这一层通常包含一个或多个神经元，每个神经元代表一个特定的分类，比如猫、狗或者车等。每个神经元会给出一个分数，表示输入图像属于该分类的可能性有多大。在我们的例子中，如果“猫”这个神经元的分数最高，那么网络就会判断这张图片是一只猫。C：我懂了，原来最后是依据打分的结果来判断最后是不是一只猫啊。A爸：我明白卷积是用来提取图像特征，方式如前面动图所示(有些闪瞎我的眼），不过具体如何实现我还是不明白？L：这问题有些复杂，本想只示意不细说，既然A爸有兴趣了解，我就简化说明一下。我们把图像从彩色改为黑白，把识别猫改成识别一个简单的X图形，看卷积神经网络是如何利用卷积提取特征的。请看一幅7乘7的图片，如何让计算机来识别该图片是不是一个X。
因为是黑白图，我们把所有亮的地方设置为1，黑色的地方设置为0，转换如下：
接下来是用一个叫卷积核的东西，来做卷积运算。卷积核也是一个方块，一般为3X3或者5X5。该卷积核从左到右从上到下依次是1、 0、 0、 0、 1 、0、 0、 0 、1。如下图所示：
该卷积核和上面的图像做卷积运算，如何运算，把这个3X3方块放到图片上的某个3X3部位，如下图所示：
让他们对应元素相乘，然后相加，最后放在图片3X3的中间部位。0*1+0*0+0*0+0*0+1*1+0*0+0*0+1*1=2，于是特征图第一个元素就是2,同理把卷积核往右平移一下，和图片新的3X3方块进行对应元素的相乘相加，最后得出0，最后所有的元素都写出来，整体结果如下图所示。
做完这个有啥用呢，我们分析就明白，卷积核只有斜着的三个元素是1，所以原来那张图上如果斜着的这三个元素也是1的话，最后一做卷积，这个数字就会变大，我们在特征图上找那些数字特别大，这就是提取到的特征了。总结起来，这个卷积核其实就是对应了一个特征，这个特征为：一个斜向右下的线条。数字比较大的部位就说明它满足特征。这就是用数学方法提取图像特征。同理，X的另外一半是左下方斜的线段，新的卷积核如何设置，这里就不再赘述了。现在你再回过头看我刚才画的动图，是不是很好理解了。A爸：原来如此啊，有意思。对了，我看你有提到池化，池化什么意思？
L：池化就是对特征图的元素做进一步简化。我们可以这么做，把每4个格子为单元，找出最大的那个数，其他剔除，这样组成一个比较小的特征图，却依然保留了原来特征图的重要信息，我们仍然可以看出这是一条右下斜着的线条。
L：这部分内容比较复杂，孩子们即便一时没听明白，也没关系，大家只要知道计算机可以通过某种手段将特征值提取出来，也就够了。L：卷积神经网络的应用可不只是识图哦，大名鼎鼎的阿尔法狗正是结合了卷积网络神经后，忽然功力大进，成为了吊打人类棋手的围棋之神。
A爸：不对啊，卷积神经网络不就是用在图像识别上吗，图像识别和围棋有啥关系呢？L：好问题！放心，你很快就会明白这背后的真相的。我这里问大家一个问题，阿尔法狗水平忽然提高，是否是和计算机运算能力大幅提升后，棋盘上的计算量越来越大有关。A：肯定啊，我和爸爸都是围棋5段，我觉得计算是最重要的，我们下不过阿尔法狗，就是因为它的计算量太大了。
L：如果我说阿尔法狗碾压人类是和他在棋盘上的计算量越来越少有关，你们信吗？
L：我也是围棋5段，还是围棋AI工具的深度使用者哦，我很理解你们的困惑，咱们下回分解。
梁敬彬约 9 分钟