????????

【寫作背景】因為最近一直在研究大模型，在與客戶進行交流時，如果要將大模型的變革性能力講清楚，就一定要能將AI小模型的一些原理和效果講清楚，進而形成對比。當然這不是一件簡單的事情，一方面大模型分析問題的的本質原理業界依然無法清楚解釋，另外一方面理解AI小模型原理本身也有一定門檻，但是我認為必須得試圖去理解這些問題。這個背景下，我找出了多年前買的一本《刷臉背后》的書籍重新學習，試圖從人臉識別這個場景去理解AI小模型處理問題的思路，進而找出大模型更好的解釋之道。

????????人臉識別包括三個基本步驟：

????????第一步：從圖像中檢索人臉邊框，所用的是人臉檢測技術。而人臉檢測技術有多種，可以基于膚色的，也可以基于人臉特征點（如眼睛）的方法，等等。

????????人臉檢測算法主要有DPM、LAEO、Viola&Jones算法，這些算法基本也是通過有標注的圖像訓練而來；也有基于深度學習的人臉檢測算法，如CNN Facial Point Detection人臉檢測算法，DDFD人臉檢測算法，以及多種算法的混合應用。（類似與當前大模型的MOE,混合專家模型）

????????【意外發現，DDFD人臉檢測算法是基于基于Alexnet進行微調改造而來的神經網絡模型，而Alexnet作為一種深度卷積神經網絡模型，其創始人居然是Alex Krizhevsky ， Ilya Sutskever and Geoffrey Hinton。Ilya Sutskever 是誰？就是當前火爆的 OpenAI 的聯合創始人兼首席科學家，最近聯合董事會開除了OPEN AI CEO Sam Altman; Geoffrey Hinton就更厲害了，掃地僧，Ilya Sutskever 的博導）

????????第二步：是人臉區域的特征提取。根據算法原理和關注點的不同，人臉特征可以有很多種。深度學習特征是一種特征；還有Gabor，SIFT、HOG等多種特征提取方法。通過PCA、LDA等特征降維的方法得到特征，也可以作為人臉的特征；人臉面部的特征點信息，可以選取5個特征點（雙眼中心、鼻子、兩個嘴角），或2個特征點（包括眉梢、鼻端、下巴、雙眼中心、鼻子、兩個嘴角等信息），或30個乃至更多的特征點，每個特征點的位置和像素都可以用于表征人臉的特征。學術界已經有人臉特征點自動定位算法。 人臉特征提取方法，以及最后所使用的特征，對人臉識別的準確度具有關鍵作用。

????????第三步：是訓練識別人臉特征與人的標簽對應關系的分類模型。經過第二步，訓練圖像集中每個圖像都可以用一個特征向量來表示（如一個4096維的特征向量)，最后加上該圖像的標簽（表示是那個人的人臉）。一個圖像對應一行類似與上面所屬的記錄，如果有m個訓練圖像，就得到m行這樣的記錄矩陣。然后，在該矩陣上，使用SVM，KNN,SOFTMAX regression,Logistic regression等方法訓練分類模型。利用最后得到的模型，預測測試圖像中每個圖像對應的人的標簽。

????????思考：上面人臉識別的三個步驟，可以簡單理解為先通過少量特征點找到人臉，然后通過算法提取每個人臉的特征，并用一組特征向量表示，且每個特征向量后面增加一個該人的姓名。比如

【A1,A2,A3,A4,A5,小明】，

如果有m個測試集，就會有一個行的矩陣，就類似構建了數據庫，接下來就是使用該數據庫。如何使用？把人臉輸入，通過特征提取算法提取該人臉的特征向量，然后通過計算與之前構建數據庫（就是那個m行的大矩陣）的歐式距離或者余弦相似度，從而找到輸入的人臉是誰。

????????可以發現，人臉識別的認證，首先必須構建一個全量的人臉特征向量數據庫，然后進行識別，那么這類應用其實之中識別已知的對象，對于不在特征庫里面的人臉，就沒法檢出，當然，在人臉識別認證這個場景不存在未知人臉，比如公安部門構建的人臉庫，不可能存在漏錄（每個人都用身份證）。

關于Alexnet：

?

經常問的問題

Q1.?AlexNet有什么用？

答：AlexNet 是一種開創性的卷積神經網絡 (CNN)，主要用于圖像識別和分類任務。它在2012年贏得了ImageNet大規模視覺識別挑戰賽，標志著深度學習的突破。AlexNet 的架構憑借其對卷積層和修正線性單元 (ReLU) 的創新使用，為現代深度學習模型奠定了基礎，推動了計算機視覺和模式識別應用的發展。

Q2。為什么 AlexNet 比 CNN 更好？

A. AlexNet是CNN的一種特定類型，是一種特別擅長理解圖像的神經網絡。當 AlexNet 被引入時，它在識別圖片中的物體方面表現出了令人印象深刻的結果。它變得流行是因為它更深（有更多層）并使用一些聰明的技巧來提高準確性。所以，AlexNet并不比CNN更好；它是一種 CNN，對使 CNN 在圖像相關任務中流行起來具有重要影響。

尾注

快速總結我們在本文中看到的架構。

• 它有 8 層，具有可學習的參數。
• 模型的輸入是 RGB 圖像。
• 它有 5 個卷積層和最大池化層的組合。
• 然后它有 3 個全連接層。
• 所有層使用的激活函數是Relu。
• 它使用了兩個 Dropout 層。
• 輸出層使用的激活函數是Softmax。
• 該架構中的參數總數為 6230 萬個。

參考：

1、《刷臉背后》張重生。

2、【人工智能】回顧人工智能十年發展歷程 | 2013-2023 | AlexNet | GAN | Transformer | Resnet | GNN | GPT | Stable Diffusion

3、Introduction to The Architecture of Alexnet?