Google Deep Dream如何运作

计算机是无机产品，因此，它们似乎不太可能像人们一样梦dream以求。然而，深梦是一个孤立的例子，说明与人类世界的数据配对时，计算机程序变得多么复杂。

谷歌的软件开发人员最初是为了构思和建立了深层的梦想Imagenet大规模视觉识别挑战这是一场年度竞赛，该竞赛于2010年开始。每年，数十个组织都竞争寻找自动检测和分类数百万张图像的最有效方法。每次活动结束后，程序员重新评估了他们的方法并努力提高技术。

图像识别是我们的Internet工具盒中主要缺少的重要组成部分。我们的搜索引擎主要旨在理解键入的关键字和短语，而不是图像。这就是您必须使用“ CAT”，“ House”和“ Tommy”等关键字标记图像集的原因之一。计算机只是难以以任何可靠的精度识别图像的内容。视觉数据混乱，混乱和陌生，所有这些都使计算机难以理解。

多亏了像《深梦》这样的项目，我们的机器在看到周围的视觉世界方面变得越来越好。为了使梦想成真，Google程序员创建了一个人工神经网络（ANN），一种可以自行学习的计算机系统。这些神经网络是按照人脑功能性建模的，该神经网络使用了超过1000亿个神经元（神经细胞）来传递神经冲动，从而实现我们的所有身体过程。

在神经网络中，人工神经元代表生物学的神经元，以多种方式过滤数据，直到系统得出某种结果为止。就深梦而言，通常具有10至30层人造神经元，最终结果就是图像。

深梦如何重新构想您的照片，将它们从熟悉的场景转换为可能困扰您噩梦多年的计算机艺术效果图？

神经网络不会自动识别数据。他们实际上需要一些培训 - 他们需要被喂食一组数据以用作参考点。否则，他们只是盲目地筛选数据，无法理解它。

根据Google的官方博客，培训过程基于重复和分析。例如，如果您想训练ANN来识别自行车，则会向其展示数百万自行车。此外，您当然可以清楚地在计算机代码中指定自行车的外观，带有两个轮子，一个座椅和车把。

然后，研究人员将网络松动，以查看可以找到什么结果。会有错误。例如，该程序可能会返回一系列图像，包括摩托车和拖把。在这种情况下，程序员可以调整代码以澄清计算机，使自行车不包括引擎和排气系统。然后，他们一次又一次地运行程序，对软件进行微调，直到返回令人满意的结果为止。

深层梦想团队意识到，一旦网络可以识别某些对象，它也可以自行重新创建这些对象。因此，知道视线自行车的网络然后可以在没有进一步输入的情况下重现自行车的图像。这个想法是，由于其对图像进行分类和排序的能力，该网络正在生成创意新图像。

有趣的是，即使筛选了数百万辆自行车图片，计算机在生成自己的自行车图片时仍会犯下重大错误。它们可能包括在车把上或踏板上的脚上的部分人手。之所以发生这种情况，是因为许多测试图像也包括人，并且计算机最终无法辨别自行车零件在哪里结束，并且人员零件开始。

这类错误是出于许多原因而发生的，甚至软件工程师也不完全了解其构建的神经网络的每个方面。但是，通过知道神经网络的工作方式，您可以开始理解这些缺陷是如何发生的。

人造神经元在网络中以堆栈运行。深梦可能只能使用10或多达30个。每一层都可以访问图像的各种细节。初始层可能检测基础知识，例如图片中的边界和边缘。另一个可能会确定特定的颜色和方向。其他层可能会寻找类似于椅子或灯泡等物体的特定形状。最终层可能只对更复杂的物体（例如汽车，叶子或建筑物）做出反应。

Google的开发人员称此过程实体主义关于这种特定的神经网络体系结构。他们甚至发布了公共画廊展示深梦的作品的例子。

一旦网络确定了图像的各个方面，可能会发生任何数量的事情。有了深刻的梦想，Google决定告诉网络制作新图像。

Google的工程师实际上让Deep Dream选择图像的哪些部分要识别。然后，他们本质上告诉计算机采取图片的那些方面并强调它们。如果深梦看到沙发上的织物图案中的狗形状，它会突出该狗的细节。

每一层都会增加狗的外观，从皮毛到眼睛再到鼻子。曾经在沙发上无害的佩斯利（Paisley）变成了犬类的身材，并带有牙齿和眼睛。深处的梦想会随着其创作的每一次迭代而放大，为图片增添了更多的复杂性。想想狗中的狗。

反馈循环开始以深度的梦想，并过分强调图片的每个细节。充满的天空云从一个田园诗般的场景变成一个充满太空蚱hopper，迷幻的形状和彩虹色的汽车的场景。和狗。有一个理由使Deep Dream的结果过度存在。当开发人员选择一个数据库来训练该神经网络时，他们选择了一个包括120个狗子类的数据库，所有这些子类都经过专业分类。因此，当深层梦想寻找细节时，很可能会看到幼犬的脸和爪子到处搜索。

深梦甚至不需要真实的图像来创建图片。如果将其喂给空白的白色图像或充满静态的图像，它仍然会“看到”图像的部分，使用这些部分作为怪异和怪异图片的构建块。

这是该程序从其他无形数据中揭示含义和形式的尝试。这说明了整个项目背后的想法 - 试图找到更好的方法来识别和将图像内容的内容与全球计算机上的图像相关化。

那么计算机真的可以做梦吗？他们变得太聪明了吗？还是深梦是我们想象技术处理数据的方式的一种幻想的方式？

很难确切地知道对Deep Dream的输出的控制权。没有人专门指导软件完成预编程的任务。它采取了一些相当模糊的说明（一遍又一遍地查找细节并强调它们），并在没有公开的人类指导的情况下完成工作。

最终的图像是该工作的表示。也许这些表示是机器创建的艺术品。也许这是数字梦的体现，诞生了硅和电路。也许这是一种人工智能的开始，它会使我们的计算机不再依赖人。

您可能会担心接管世界的有情计算机的兴起。但是就目前而言，这类项目正在直接使使用网络的任何人受益。在短短几年的范围内，图像识别率显着改善，帮助人们更快地通过图像和图形来找到所需的信息。按照目前的进步速度，您可以预期图像识别的大量飞跃，部分要归功于Google的Dreaming Computers。