本文主要介绍了生成式AI的相关技术，特别是卷积神经网络（CNN）在图像识别领域的应用。本文为该系列第二篇，
引言
如果看明白了上一篇文章对神经网络和深度学习的介绍，再来逐步深入了解AI相关的概念和原理应该就相对容易了。
希望上一篇文章能给大家一点印象：AI并没有想象中复杂。AI能处理海量信息，但是它并没有人类难以理解、异常复杂的机制。因为只有机制相对简单，消耗的能源才能少，计算的速度才能快，处理的信息才能够多。自然界也一样，如果大脑的机制比现在更复杂一些，估计脑子要烧掉。
废话不多说，上一篇文章我们看到了，最基础的神经网络可以用来识别手写数字；同时也发现如果神经网络“学”的不好，对问题的一般规律没有抽象对，就会出现过拟合，过拟合往往跟数据和模型两个因素有关。本篇文章我们会讲图像识别领域有哪些经验来应对过拟合，也会讲神经网络和深度学习如何扩展到自然语言处理等其它领域。
卷积神经网络
上文提到，神经网络可以用来进行图像识别。既然是图像识别，那么我们是否可以结合计算机图形学的已知手段，来提升深度学习的效果呢？答案是肯定的。卷积神经网络（Convolutional Neural Network）就是这样一种网络，通过结合图形学方法，大大优化了图像识别的效果和效率。
▐ 卷积神经网络原理
如果要给卷积神经网络的过程和原理打个比方，设想一下小朋友们是如何画出一个人的。当要求小朋友画人时，他们是没法画出那么多细节的。小朋友只会画火柴人：通过线条画出轮廓（比如弧线、直角），通过轮廓组成形状（比如弧线连在一起组成头部、线+直角组成身体），通过形状组成物体（比如头部在上方、身体在中间、手脚在四周）。尽管最后的作品相当简单，但却抓住了人物的核心特征，我们仍能辨认出它是人的画像。
卷积神经网络识别图像的过程和原理也类似，也是一个多步的过程，比如先卷积找到线条，池化再卷积找到轮廓，池化再卷积找到形状，最后再通过形状组合来识别出图中是一个人：
捕捉特征 - 卷积操作（convolve）：卷积层通过类似于图像处理中的滤镜，扫描整个图像以强调物体的边缘和纹理等基础特征。它可以看作“绘制线条”这一步，捕捉出图像中的局部特征，以作进一步识别。
简化并强调 - 池化（pooling）：在卷积提炼出的特征之后，池化层帮助降低特征数据的大小，这同时简化了图像的复杂性和计算的需求。池化层的作用就像是在绘画中刻意忽略一些不太重要的细节，以突出轮廓和整体结构。
重复这一过程，提升抽象程度：卷积神经网络往往不止一次卷积和池化操作。通过一系列重复的卷积和池化，网络逐渐从简单特征中筛选并组合出更为复杂的形状和模式，类似于小朋友从线条到形状再到完整人物的绘制过程。
特征合成 - 全连接层：就如同小朋友们最终会把头部、身体及四肢放到合适的位置来完成一个人的图画，卷积神经网络在多层次抽象出的特征基础上，利用全连接层进行最终的整合和分类工作。全连接层通过考虑整个图像级的特征，并学习它们之间的复杂关系，从而完成从特征到最终目标识别（如识别出图中的人）的过程。全链接层大家很熟悉，就是上文提到的由 dense layer 组成的神经网络。
那么，相对于前面的神经网络，卷积神经网络关键做了哪些事情，提升了图像识别的效果和效率？
经过多轮卷积操作，后面的全连接层（同前文的神经网络）需要处理的对象，由“现实语义”不明显的像素、颜色，变成了边缘、轮廓、纹理等具有一定“现实语义”的特征，极大提升了图像识别的准确度。
卷积操作使全连接层要处理的最小单元提升了一层（就好像你写代码不是在写一行一行语句，而是用链将原子能力编排起来），此外池化操作也相对缩小了要处理的图像，这两者理论上能起到提升效率的作用（和其它相近准确度的手段相比）。
▐ 卷积神经网络中的图形学手段—滤镜
那么，卷积神经网络究竟结合了那种图形学手段呢？我们可以看看卷积神经网络中的卷积核（kernel），图形学中称为滤镜。熟悉photoshop或者GIMP的同学一定知道，比如下面的4种滤镜（图中的3x3向量）：
滤镜在数学里就是线性代数向量运算：原图中每3x3向量和滤镜的3x3向量相乘求和。例如图中这个滤镜向量通过将相邻9个像素糅合到中间一点实现了模糊化：
经验数据：卷积神经网络里，选用3x3大小的卷积核就能取得很好的效果。
通过滑动处理完整个原图，生成新的图片：
卷积神经网络里，滑动步长（stride）一般为1，非1值存在原图片大小无法整除stride等问题。
我们可以看出，结果图比原图要小，不断变化的大小不利于连续处理，一般通过padding来解决：
一般是“same padding”，结果图和原图保持一致。一般用0填充。
那么，卷积核或者滤镜究竟用来解决什么问题呢？我们可以看一下下面的卷积核，他们通过特定的向量值，使原图中的竖边和横边被强化了。如图所示，卷积核确实可以用来提取原图中的特征：
最后，图形学中的滤镜如何应用到神经网络里呢？
首先，卷积核向量和原图向量相乘求和（再激活），和神经元参数和输入相乘求和再激活类似，卷积核完全可以用神经网络里的神经元来表达。
其次，和上面给出的模糊、锐化、横纵边滤镜已知向量值不同，卷积核的向量值是可训练、训练出来的，是用来动态捕获输入特征的，和神经元参数的用法一致。
实际上，一个卷积核就是卷积层的一个神经元。和全连接层神经元类似，它的参数也是输入权重+偏置常量，其中，输入权重的个数等同于输入的个数，因为输入的图像是堆叠的图像，所以输入权重的个数为x * y * n，偏置常量固定为1个，总共是x * y * n + 1个。如图这个2叠、3x3的kernel，它的参数个数就是 3 * 3 * 2 + 1 = 19。
▐ 卷积神经网络计算过程
卷积神经网络的计算和前文神经网络一样，前向传播、反向传播，不赘述。
下图中，image input是输入图像，28x28大小，1叠（1个灰阶图层）；kernels是卷积层，注意stacked images不是网络层，而是卷积层的输出；图中最后一个stacked images，经过flatten层打平成一维数组（图中的flattened image vector），供后面的全连接层网络使用（全连接层上文已讲过）。
卷积
这里重点看一下卷积层，卷积层前向传播是和输入的堆叠图像计算得出新的堆叠图像，反向传播是通过偏导数调整自身的参数。
注意，和前文全连接层（Dense）神经元输出是一个数值不同，卷积核神经元每次相乘求和激活得到的是一个数，结合两个方向不断滑动最后能得到一个二维图。
下图中，中间是卷积层，左边是输入，右边是输出。
输入是x * y * N的堆叠图像。其中，x=28，y=28（28 * 28 * N）。
卷积层每个神经元因为要和输入相乘，所以也是N叠，假设神经元采用3 * 3大小，则每个神经元是3 * 3 * N。
输出经过padding，每叠大小和输入保持一致，28 * 28。
输出堆叠图像的每一叠为输入堆叠图像x单个神经元的结果，所以叠数和卷积层神经元个数一致。假设卷积层有M个神经元，则输出堆叠图像为28 * 28 * M。
这里强调一下，卷积层每个神经元的叠数=输入图像的叠数。输出图像的叠数=卷积层神经元的个数。
最后看一下神经元参数个数。3 * 3 * N的卷积核，每次要和N叠输入图像的3 * 3部分相乘，所以权重参数（weights）个数为3 * 3 * N，此外还通过一个偏置（bias）整体左右移。所以总参数个数为3 * 3 * N + 1，激活结果计算公式还是和上文普通神经元一样output = activation_function(W * X + b)。
为了神经网络整体处理方便，网络的输入图像、中间的堆叠图像都被统一成了
x * y * Z三维数组结构，但是两者关于叠/层的语义是不同的。输入图像的语义是图像的图层，不管是灰阶图像的1层，RGB的3层，还是RGBA的4层，是有现实关联性的。堆叠图像的各层分别是输入图像和单个神经元计算的结果，是一个特征，相互之间没有关联性，比如一层可能是纵边特征，另一层可能是横边特征。
讲原理时已经提到过，一般会有多轮卷积，主要目的分别是从原图提取最小的特征，从最小特征中提取中等特征，……，如下图所示：
池化
池化层的作用，主要是通过缩小图像，丢弃次要特征，保留主要特征：
实践中卷积和池化层一般会搭配使用，完整卷积神经网络如下图：
其它
这里面还有一个丢弃层（Dropout），这个理论上跟图形学、图像处理没啥关系。主要作用是随机丢弃一定比例节点的输入（置0），避免因为节点过多（总参数过多、记忆能力太强）导致记忆效应，产生过拟合。
▐ 卷积神经网络实例讲解
本文卷积神经网络讲解的实例是对美国手语的识别，因为是手语照片，相对上文手写文字的案例来讲干扰因素过多，比如背景、衣服、掌纹等，所以采用普通神经网络过拟合比较严重。后面可以看到，改用卷积神经网络后，结果提升了不少。
美国手语一共26个字母，其中2个字母带动作，这里只识别24个静止的字母。这次的数据集是使用csv文件存储的，可以加载后查看一下数据概貌：
csv文件一共785列，第一列是label，值是1-24，表示24种字母。第2到785列分别存放的灰阶值，值是0-255，表示从黑到白的颜色。
处理一下加载的值，将标签存入y_train和y_valid，784个像素值保留到x_train和x_valid：
和上文一致，将y转成one-hot编码，用于分类算法，x转成0.0-1.0之间的浮点数：
图像是用2维数组存储 ({图像个数}, {784个像素值})，需要转成4维数组。第1维为图像个数保持不动，中间2维为图片大小28*28，最后一维此时只有1个灰阶值。神经网络计算过程中，随着特征抽取、存储的变多，最后一维的大小会增加。
下面是我们希望采用的卷积神经网络结构：
构建语句，其中：
Conv2D(75, (3, 3), stride=1, padding="same", activation="relu", input_shape=(28, 28, 1))创建一个卷积层，输入是28*28*1，75个神经元，每层大小3*3，因为输入是1层，所以每个神经元只有1层。BatchNormalization()创建一个批量标准化层，标准化上层输出平均激活值接近于0，激活值的标准差接近于1。MaxPool2D((2, 2), strides=2, padding="same")创建一个池化层，每2*2像素保留1像素，即长宽各缩小1倍。Dropout(0.2)创建一个丢弃层，丢弃20%输入。
最后看看参数的计算：
第1层，卷积层，75个神经元，每个神经元 3*3*1+1 个参数，一共750个参数。
第2层，批量标准化层，75层输入，每层4个参数，其中2个可训练参数：缩放和偏移，还有2个不可训练参数，存储本批数据的统计值。一共300个参数。
第3层，池化层，池化层都是运算，没有参数。
第4层，卷积层，50个神经元，每个神经元3*3*75+1个参数（每个神经元有75层，分别对应输入的75层），一共33800个参数。
第5层，丢弃层，丢弃层只有运算，没有参数。
第11层，flatten层，只有转化，没有参数。
最后，总的参数个数里，有300个不可训练参数，这是由3个批量标准化层的不可训练参数加在一起构成。
最后采用和上文网络一样的分类用损失函数：
本卷积神经网络校验集的准确度最后能到92%左右，算是比较好的结果：
另外，在分享上一篇文章时，有同学问过，神经网络的产出是什么。
产出肯定不是这里跑出来的正确率，神经网络的产出是模型的结构和训练后的参数。这个模型能够用来处理更多的数据，训练后的模型本身就是产出。
数据增强
上面一章我们看了如何通过优化模型来降低过拟合，下面我们来看看如何通过数据增强来提升整体准确度。
数据增强通俗的理解就是通过丰富训练集数据、增加样本数量，减少模型对具体实例的“记忆”、增加模型抽象一般规律的能力。比如我们要训练识别狗的图片，能提供的训练样本当然是越全越好，即需要很多正例（比如金毛、边牧等不同品种的狗），也需要尽可能多的反例（比如猫、狼）。
道理很好理解，但是准备足够多样的训练样本是一件很费事的事情。数据增强是深度学习框架提供的一套工具，通过对现有训练集进行细微变化，比如（适度的）缩放、旋转、位移等等，来批量生产新的训练样本。
需要注意的是，需要根据数据集的特征来决定要进行怎样的变化，比如上一章的手语图片，样本是可以左右翻转的，因为左撇子的手势刚好左右翻转，但是垂直翻转则没有意义；同理，上文中的手写数字，则既不能垂直翻转，也不能左右翻转。
另外，样本的变化也要注意范围，因为网络接收的图片尺寸从一开始就是确定的，这些变化不会改变接收图片的尺寸。比如图片放大缩小，超出图片大小的部分会被裁剪，缺失的部分会被填充。所以，需要考虑变化后的图片是否还有意义，比如手语图片过分放大，放大到只剩一根手指，细节部分是清晰了，但是整体已经完全看不出所代表的手语字母了。
本章不涉及原理，因为这符合人们的一般理解。重点讲一下数据增强的过程：
第1步，还是上一章所用的训练集和模型不变。
train_df = pd.read_csv(...)
...
model = Sequential()
model.add(...)
...
model.compile(...)第2步，准备数据增强用的图像数据生成器：随机旋转10度、缩放10%、左右上下位移10%以内，随机水平翻转，但不垂直翻转。
第3步，设置分批生成数据的大小：设置每批生成32张图片。
上面得到的是一个生成数据的迭代器，可以可视化一下第一批数据的样子：
第4步（可选），“训练”数据生成器：
对训练样本的变化除了上面提到的旋转、缩放、位移等，还有基于原训练样本统计值的变化（本案例没用到）。
这一步是统计整个原训练样本，并记录必要的统计信息到数据生成器。
第5步，用数据生成器进行训练：
和上一章案例直接使用原始样本不同model.fit(x_train, y_train, epochs=20, verbose=1, validation_data=(x_valid, y_valid))。这里使用数据生成器生成的内容。
还是20个周期，但是每个周期里训练的样本数等于steps_per_epoch * batch_size，基于丰富度和训练时长兼顾考虑，这里采用steps_per_epoch=len(x_train)/batch_size，每周期样本数和原训练集差不多（但是都是经过数据生成器，随机变化过后的新样本）。
最后结果可以看出，准确度很快就上去了，数据增强有非常明显的效果。
迁移学习和模型微调
最后聊一下迁移学习（transfer learning）和微调（fine-tuning）。
▐ 迁移学习
迁移学习就是通过将已经训练好的模型的一部分摘出来，重新和其它网络层组成新的网络，从而复用网络能力和提升网络效果的过程。
比如，我们可以拿google已经训练好的，进行动物分类的模型，拿来识别自家的猫主子，做一个自动猫门。
为什么要这么做？简单的说就是你自己的训练集不够，你给自家猫拍一千张照片来从头训练一个模型，也可能把外面的流浪猫放进来，因为你缺少足够的正负样本。
因为篇幅原因，这里不详细展开，只讲一下关键步骤。细节可以参考Transfer learning and fine-tuning官方教程：
第1步，摘取预训练模型的前半段（卷积层+池化层），去掉后半部分（include_top=False）。
第2步，拼接模型的后半段为新的、未经训练的全连接层。
第3步，设置前半部分参数不动（trainable=False），拿新的正负样本训练模型的后半段。
你会发现，有了预训练模型的前半段，很快就可以取得不错的结果。
这里我们也可以得出结论，网络前半段的参数，包含了比较通用的特征，比如一般的猫狗，网络后半段则包含了比较具体的特征，比如你家的猫主子。
▐ 微调
如果复用网络后，发现效果没有特别满意，可能是因为预训练模型和你要求解的问题没有完全匹配，或者现有模型参数里缺少一些针对性的特征。微调就是通过稍微调整一下预训练模型部分的参数，提升被复用网络效果的过程。
微调的过程很简单，前面3步保持不变，增加下面的步骤：
第4步，设置前半部分参数可训练（trainable=True），同时设置训练步长为一个非常小的值。
第5步，继续训练几个周期，这样整个网络的参数，包括预训练的前半段，和你新加入的后半段，都会按新的数据进行调整，针对特定问题的结果也会更好。
这里要注意两点：
第4步训练步长一定要小，这样每次参数的变化非常小，尽可能的保持预训练模型中的参数（一般特征）。
第3步一定要训练完成，即后半部分已经基于新数据训练过。否则，如果后半部分参数很随机，反向传播时，就算训练步长非常小，前半部分的参数也会发生非常大的波动，导致模型的基础特征被破坏。
结语
高级神经网络不仅包括卷积神经网络，还涵盖了循环神经网络。卷积神经网络主要应用于图像识别的领域，而循环神经网络则广泛用于处理自然语言。随着Transformer模型的出现，自然语言处理的技术有了新的发展。关于自然语言处理的更多细节，将在后续关于Transformer原理的文章中详细介绍，故在此不作过多阐述。
除了神经网络，深度学习里还有一些概念比较有意思，比如生成式对抗网络（Generative Adversarial Networks）、强化学习（Reinforcement Learning）。
生成式对抗网络一方是生成器（Generator）从一堆噪音里生成出假的图片，企图骗过鉴别器（Discriminator）；而另一方鉴别器则尽可能的识别出真假图片。原理上还是脱离不了之前讲过的内容，鉴别器会给出一个分数，生成器会根据这个分数反向传播，修改由噪音生成图片的参数。
还记得“前GPT时代”，2022年Google研究员Blake Lemoine爆料AI有自我意识，被公司开除的新闻吗[捂脸哭]？谁说ChatGPT、MidJourney、Sora不是一些骗过了研究员、非常成功的生成式对抗网络呢？然而另一方面，就像【中文房间】描述的问题一样，哪里才是生成式对抗和真正理解的边界？大模型究竟能不能走向通用人工智能？
后一个概念，强化学习就是AI从环境中学习的过程和能力，目前机器人领域用得比较多。个人认为这个概念有意思是因为它是通向通用人工智能的必经之路，预计未来会扮演比较重要的角色。
本系列头两篇文章到这里就结束了，希望能激起大家学习AI原理的好奇心和勇气。个人水平有限，如果文章有什么问题，欢迎留言探讨。
团队介绍
天猫国际是中国领先的进口电商平台， 也是阿里巴巴-淘天集团电商技术体系中链路最完整且最为复杂的技术产品之一，也是淘天集团拥有最完整业务形态（平台+直营、跨境、大贸、免税等多业务模式）的业务。在这里我们参与到阿里电商体系的绝大部分核心系统（导购、商家、商品、交易、营销、履约等），同时借助区块链、大数据、AI算法等前沿技术助力业务高速增长。作为贴近业务前沿的技术团队，我们对于电商行业特性、跨境市场研究、未来交易趋势以及未来技术布局等都有着深度的理解。
¤ 拓展阅读 ¤
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
