看懂这十步，8岁的小朋友都能理解深度学习

本文转自AI新媒体量子位（公众号 ID: QbitAI）

如何用最浅显的方式，给大众解释什么是深度学习呢？

法国博主Jean-Louis Queguiner撰写了这篇《给我8岁的女儿解释深度学习》，以用深度学习技术搭建识别手写数字的神经网络为例，用清晰的方式，解释了深度学习的原理。

这些数字每个人的写法都不一样，要如何让计算机判断出这些手写体数字是几呢？

1、和数数一样简单

首先，考虑到0~9这十个数字，本身也是存在各种笔画的，那我们就拆解开来，看每个手写体数字里，有多少横竖撇捺，曲折弯弯。

左边竖着的一列是是个数字，上方横着的红色字符则是拆解出来的笔画，用这个表格，来统计每个字符里有多少个相应的笔画。

现在，我们来写一些新的数字，然后数一数，这些新写的数字里，有多少个红色的笔画，和上方的表格对比一下，就能判断出这些新写的数字是几了。

比如，第一个数字里，有一个“ / ”，一个“丨”，我们发现有这种特征的，是“1”这个数字，而且完全符合，那第一个数字就是“1”。

第二个数字，上下左右半圆各有2个，另外还有一个“ / ”，一个“丨”，总共10个笔画。比较之下，会发现上表中的数字“8”有8个笔画符合，数字“9”有6个笔画符合，那么这第二个数字就是“8”。

看懂这一步，那恭喜你已经搭建了世界上最简单的识别手写数字神经网络。

2、图像即矩阵

矩阵这个概念，大部分8岁的小学生肯定是没学过的，可以简单的理解为一串横竖的格子里，每个放一个数。

对于计算机来说，每张照片都是细微的像素组成的，这些像素排列成矩阵格子，每个格子一个颜色，拼起来便是一副图像。

比如这些红红绿绿的格子，你缩小来看，原来是一张草莓图片的一部分。

而颜色，对于计算机来说，正是用数表示的，草莓图片中彩色的颜色是红绿蓝三种色光，各自有一个数，总共三个数；而手写数字都是黑白的，只要一个数，0表示纯黑色，255表示纯白色，两者中间的数则是灰色，数字越小颜色越深，数字越大颜色越浅。

所以，看这个手写数字，一共28行28列，784个像素格子，没有笔画的黑色格子就是0，有笔画的部分，笔画中心是更浅的白色，数字在一两百左右，笔画边缘则是灰色，数字只有几十，这就构成了这个手写数字的矩阵。

3、卷积层：找到笔画轮廓

现在，我们知道了图片的每个像素格子都是数字，但如何找出这些数字中的笔画呢？

深度学习的神经网络是有许多许多“层”组成的，找轮廓这一步需要用到卷积层，本质上就是在前面用数字表示的图像上加一个过滤器，把没有笔画的部分过滤掉，留下有笔画的部分。

过滤器就像下面这个玩具一样，识别出图案的轮廓，如果轮廓匹配，就可以放进盒子里，轮廓不匹配，那就放不进去，三角形的过滤器匹配三角形的木块，正方形的过滤器匹配正方形的木块

4、独立过滤

过滤器过滤的过程就像这张动画一样，每一次扫描都是独立的，所以可以同时进行许多次扫描，每次扫描互不干扰。

5、重复卷积

前面的过程，是我们的手写数字图像被多个过滤器过滤，但是为了提高准确性，只要把前一次过滤的图像再拿来过滤就好了，用的过滤器越多，过滤的次数越多，结果越准确。

而且，由于手写的数字并不像玩具中的三角形、五角星一样规整，每个人写数字“8”都可能写成不同的样子，因此笔画的布局都不一样。

为了让过滤出来的笔画更清晰，需要不断创建新的过滤器，直到过滤器被精确到我们前面看到的那些红色横竖撇捺半圆的形状。

6、卷积：乘法和加法

但过滤中具体的扫描过程是怎样的呢？

涉及到卷积运算，比如下图，左边是一张8×8的图像，中间是一个3×3的卷积滤波器，3×3的格子在8×8的图像上逐一移动，挨个进行卷积。

这里，需要告诉大家卷积是怎样算的。比如上图，左边的3×3格子的左上角是3，中间卷积过滤器的左上角是-1，那就需要把3和-1乘起来，得到-3。以此类推，同一位置的两个数相乘，得到9个乘积，再把9个乘积加起来，得到-3，就是卷积的结果。

当然，图上这个例子中涉及了负数，如果小朋友还没有学会负数的运算，可以先不要理它，当做一个整数就好啦。

7、池化层：把图片变小，易于总结

经过了复杂的卷积过程，我们现在需要进行总结采样，首先要把矩阵缩小，这里用到的是池化层。

比如，把四个格子缩成一个格子，可以取四个格子的最大值、最小值、平均值、求和等，这样矩阵的大小就只有原来的四分之一了。

8、神经网络

我们整个过程，是为了识别手写的数字是几，这个过程叫做图像分类，因为数字只有10个，所以需要把每个不同的手写数字分到0~9十类中。

经过了上面的多层处理，现在需要把它放进类中，需要准备10个神经元，每个代表一类，连接到最后一个池化层之后。

下面是Yann LeCun设计的最早的LeNet-5卷积神经网络，这是图像识别领域的几个早期成果之一。

9、靠反向传播实现自我改进

不过，整个过程不只靠卷积完成，还需要依靠神经网络自身学习和适应的能力，比如借助一种叫做反向传播的方法，靠权重来减少神经元的数量。

简单来讲，我们看神经网络的输出的结果，如果输出的这个分类是错的，比如把手写的6认成了9，我们就认为，其中有一个过滤器犯了个错误，是个不靠谱的过滤器，担不起自己的责任，就把它的权重降低，下次神经网络就不会犯同样的错误了。

这样，整个神经网络系统就拥有了学习能力，保持自我提升。

10、写在最后

找了数千张图片，运行了数十个过滤器，采样输出……所有的步骤都可以完美的同时搞定，因此适合在GPU上运行。

另外，我们还没有讨论准确率的问题，在图像识别竞赛ImageNet中，根据历年的结果，我们可以看出，随着神经网络层数的增加，准确率在不断提升。

最后，本文讲得虽然是识别手写字母，但所有的图像识别，无论是用于医疗还是用于自动驾驶，原理都是一样的，靠很多层神经网络、各种滤波器，在不同的矩阵上做各种变换。

也就是说，所有图像识别都是在GPU上运行的矩阵运算。