AI 如何识别图片？从像素到 CNN 的通俗指南
AI神经网络启蒙 ·
人脸解锁、相册按人物分类、拍照识别植物——这些背后都是同一件事：让机器看懂图像。理解它的钥匙其实很简单：先弄清楚数字长什么样，再弄清楚网络如何把这些数字组合成“特征”。
图像在机器眼里是一张数字网格
一张彩色照片由成千上万个像素组成，每个像素记录着红、绿、蓝三个亮度的数值，通常在 0 到 255 之间。所以一张图片交给网络时，实际是一大串数字，躺在一个整齐的网格里。
对这种“数字网格”来说，网络能做的第一步很朴素：在网格里寻找局部的小变化，比如相邻像素之间亮度突然上升或下降，也就是一条边缘。
从像素到特征：层层组合
单个边缘本身说明不了什么，但把它们组合起来就有意义了。靠后的层会把简单的边缘拼成曲线、拐角和纹理，更靠后的层再把这些拼成眼睛、鼻子、轮子或花瓣这样的部件。
这个过程不需要人手工写规则，而是网络在训练中自己学出来的。每一层学到的“特征”都是上一层输出的重新组合，越往深走，抽象程度越高。
经典例子：MNIST 手写数字
学习图像识别时，几乎所有人都会从 MNIST 开始。它是几万张 28×28 像素的手写数字图片，每张都已经标注了 0 到 9 的正确答案，用来练习“看图分类”再合适不过。
因为图片小、类别少，一个不复杂的网络几分钟就能达到很高的准确率，非常适合用来观察“训练到底发生了什么”。看懂 MNIST，再看更复杂的图像任务，思路就顺了。
CNN 比普通网络多了什么
如果把每种像素位置都直接连到下一层，参数会多到难以训练。CNN 的关键想法是“卷积”：用一个小小的窗口在整张图上滑动，反复使用同一组权重去找同一种花纹。这样既能保留位置关系，又大大减少了参数。
此外，CNN 还常用“池化”来把特征图缩小，让网络更关注“有没有这个特征”而不是它精确落在哪个像素上，从而对轻微位移更稳健。卷积与池化层层叠加，就是现代图像识别的基础骨架。
常见问题
灰度图为什么只有一个通道，彩色图有三个？
灰度图每个像素只需要一个亮度值，所以是一个通道；彩色图每个像素要记录红、绿、蓝三个亮度，所以是三个通道。网络处理方式相同，只是输入的数字多了一些。
训练图像识别需要很多图片吗？
通常越多越好，但可以借助“数据增强”——把图片做轻微旋转、裁剪、翻转——来变相增加数量。此外还可以用已经在海量图片上训练好的模型做“迁移学习”，自己只需少量图片做微调。
AI 看图会不会被“错觉”骗到？
可以。改动少量像素就可能让模型把 A 认成 B，这类例子被称为“对抗样本”。它说明模型学的是统计上的相似性，而不是像人那样真正理解图像，因此在安全场景中需要额外防护。