技术总结|十分钟了解机器如何识别一只猫？

尽管多模态大模型已广泛应用于各个领域，但计算机到底是如何识别一只猫的？最近阅读了一篇文章（https://www.quantamagazine.org/how-can-ai-id-a-cat-an-illustrated-guide-20250430/），内容容易理解，总结如下。

一个简单的分类器

假设在同一个坐标系中存在三角形和方形，如下图：

如果要将这两个类型分开，就需要一条分界线，但是如何知道这条分界线？ 传统的机器学习可以通过 SVM，计算一条与刚好两个分类的各个点上距离和最小的一条边界线即可。 另一种方法就是通过神经网络，根据已知的数据找到边界。

神经元

神经网络的基本单元是神经元，在计算机中就是一个数学函数，类似：y = f(x1，x2，...)，存在多个输入的数据，然后输出一个值。 现在让我们来看看输入和输出之间的关系，下面的三幅图展示了具有三组不同参数的神经元，在每种情况下，随着输入的变化，它们会跨越一个边界，神经元的输出会在这个边界上迅速从 0 上升到 1，在这些图中，边界始终是一条直线，参数决定了这条线的位置和角度。

训练

为了创建一个分类器，告诉我们一个新点应该位于正方形状态还是三角形区域，我们需要优化这条边界线，使其准确地表示两个区域之间的边界。 在这里，如果输出接近于 0，我们就说一个点位于正方形状态；如果输出接近于 1，我们就说一个点位于三角形区域。 为了优化这条边界线，我们需要通过一个叫做“训练”的过程来调整神经元的参数，第一步是将参数设置为随机值，这意味着神经元的初始边界线看起来与实际边界完全不同。

在训练过程中，我们将每个已知数据点的经度和纬度输入到神经元的输入中，神经元会根据其当前参数输出一个输出，然后将该输出与真实值进行比较，有时，它会得到正确的答案。 每当神经元得到错误答案时，自动算法就会稍微调整神经元的参数，使边界更接近错误点。

神经网络

单个神经元效果很好，但这仅仅是因为三角领地和方形之间的真实边界接近直线，对于更复杂的任务，我们需要使用由许多相互连接的神经元组成的集合——神经网络。

如图所示，神经网络是多个神经元组成，与单个神经元相比，神经网络拥有更多的参数，一个神经元可能是2个参数，但是多层神经网络一一组合就可能超过 100 万个参数，这些参数不断拟合你需要分类的边界。

从三角形和正方形分类问题到识别猫

三角形和正方形分类问题和猫有什么不同呢？ 三角形正方形坐标是可以看成两个维度（例如：(1,2),(3,10)），但是猫是照片，那么猫的照片的每个像素格就是一个维度（50x50），将二维输入转换为2500维输入：

然后将猫的归一化的像素格作为 input 输入神经网络，让权重参数用大量的输入数据做拟合，只要有足够的数据点，我们就可以训练一个大型网络来区分猫和非猫。

所有猫照片都位于 2500 维空间中某个复杂的区域。训练算法会反复调整网络参数，直到找到这个无法可视化的区域的边界，经过训练的网络就能正确分类训练数据中没有的新图像。

参考

（1）https://www.quantamagazine.org/how-can-ai-id-a-cat-an-illustrated-guide-20250430/