Google Deep Dream 的工作原理

计算机是无机产品，因此它们不太可能像人类一样做梦。然而，Deep Dream 是一个孤立的例子，它展示了当计算机程序与人类世界的数据结合时，它们会变得多么复杂。

Google 的软件开发人员最初构思并构建 Deep Dream，是为了参加ImageNet 大规模视觉识别挑战赛，这是一项始于 2010 年的年度竞赛。每年，数十个组织都会竞争，寻找最有效的方法来自动检测和分类数百万张图像。每次活动结束后，程序员都会重新评估他们的方法并努力改进其技术。

图像识别是我们互联网工具箱中大部分缺失的关键组成部分。我们的搜索引擎主要针对理解输入的关键词和短语，而不是图像。这就是为什么你必须用“猫”、“房子”和“汤米”等关键词标记你的图片集的原因。计算机很难以任何可靠的准确性识别图像内容。视觉数据杂乱无章、陌生，所有这些都使得计算机难以理解。

多亏了 Deep Dream 这样的项目，我们的机器在识别周围视觉世界方面做得越来越好。为了使 Deep Dream 工作，Google 程序员创建了一个**人工神经网络**（ANN），这是一种可以自主学习的计算机系统。这些神经网络是仿照人脑的功能建模的，人脑使用超过 1000 亿个神经元（神经细胞）来传输神经冲动，从而实现我们所有的身体过程。

在神经网络中，人工神经元替代生物神经元，以多种方式反复过滤数据，直到系统得出某种结果。在 Deep Dream 的案例中，它通常有 10 到 30 层人工神经元，最终结果就是一幅图像。

Deep Dream 如何重新构想你的照片，将它们从熟悉的场景转换为可能让你在未来几年饱受噩梦困扰的计算机艺术渲染图？

神经网络不会自动开始识别数据。它们实际上需要一些训练——需要输入数据集作为参考点。否则，它们只会盲目地筛选数据，无法理解其中任何意义。

根据 Google 官方博客，训练过程基于重复和分析。例如，如果你想训练一个 ANN 来识别自行车，你会向它展示数百万辆自行车。此外，你还需要——当然，用计算机代码——清晰地指定自行车的样子，有两轮、一个座位和车把。

然后，研究人员让网络自由运行，看看它能找到什么结果。肯定会有错误。例如，程序可能会返回一系列包含摩托车和轻便摩托车的图像。在这种情况下，程序员可以调整代码，向计算机澄清自行车不包含发动机和排气系统。然后他们一遍又一遍地运行程序，微调软件，直到它返回令人满意的结果。

Deep Dream 团队意识到，一旦网络能够识别某些对象，它就可以自行重建这些对象。因此，一个能够识别自行车的网络，无需进一步输入即可再现自行车的图像。其理念是，该网络凭借其分类和排序图像的能力，正在生成富有创意的新图像。

有趣的是，即使筛选了数百万张自行车图片，计算机在生成自己的自行车图片时仍然会犯严重错误。它们可能会在车把上包含部分人手，或在踏板上包含脚。发生这种情况是因为许多测试图像也包含人，计算机最终无法辨别自行车的部件在哪里结束，人的部件在哪里开始。

这类错误发生的原因有很多，即使是软件工程师也未能完全理解他们所构建的神经网络的各个方面。但通过了解神经网络的工作原理，你就可以开始理解这些缺陷是如何发生的。

网络中的人工神经元堆叠运行。Deep Dream 可能使用少至 10 层，多至 30 层。每一层都会捕捉图像的各种细节。初始层可能会检测图片中的基本要素，如边界和边缘。另一层可能会识别特定的颜色和方向。其他层可能会寻找类似椅子或灯泡等物体的特定形状。最终层可能只会对更复杂的物体作出反应，例如汽车、树叶或建筑物。

Google 的开发人员将此过程称为**“初始主义”**（inceptionism），以指代这种特殊的神经网络架构。他们甚至发布了一个公共画廊来展示 Deep Dream 的作品示例。

一旦网络确定了图像的各个方面，就会发生许多事情。通过 Deep Dream，Google 决定指示网络创建新图像。

Google 的工程师实际上让 Deep Dream 选择要识别图像的哪些部分。然后他们基本上告诉计算机，提取图像的这些方面并加以强调。如果 Deep Dream 在沙发上的织物图案中看到了狗的形状，它就会突出那只狗的细节。

每一层都为狗的形象增添更多细节，从毛发到眼睛再到鼻子。你沙发上原本无害的佩斯利花纹变成了一只完整的狗形，带着牙齿和眼睛。Deep Dream 在每次迭代创作中都会稍微放大一点，为图片增加越来越多的复杂性。想象一下狗中套狗，层层叠叠。

当 Deep Dream 过度解读和过度强调图片中的每一个细节时，一个反馈循环就开始了。一片充满云朵的田园风光，会变成充满太空蝗虫、迷幻形状和彩虹色汽车的景象。还有狗。Deep Dream 的结果中狗的数量过多是有原因的。当开发人员选择用于训练此神经网络的数据库时，他们选择了一个包含 120 个狗子类别的数据库，所有这些都经过了专业分类。因此，当 Deep Dream 去寻找细节时，它就非常可能在它搜索的任何地方都看到小狗的脸和爪子。

Deep Dream 甚至不需要真实的图像来创建图片。如果你给它一张空白的白色图像或一张充满静态噪声的图像，它仍然会“看到”图像的一部分，并将其用作构建越来越奇怪图片的基石。

这是该程序试图从原本无形的数据中揭示意义和形式。这与整个项目背后的理念不谋而合——试图找到更好的方法来识别和理解散布在全球计算机上的图像内容。

那么，计算机真的能做梦吗？它们是否变得过于聪明，以至于对自己不利？或者 Deep Dream 只是我们想象技术处理数据方式的一种奇妙方式？

很难确切知道是什么在控制 Deep Dream 的输出。没有人明确指导软件完成预编程任务。它只是接受一些相当模糊的指令（一遍又一遍地寻找细节并加以强调），并在没有明显人为指导的情况下完成工作。

生成的图像是该工作的表现。也许这些表现形式是机器创作的艺术品。也许它是数字梦想的体现，由硅和电路诞生。也许它是一种人工智能的开端，将使我们的计算机对人类的依赖程度降低。

你可能会担心有感知能力的计算机崛起并掌控世界。但就目前而言，这类项目正直接造福于所有互联网用户。在短短几年内，图像识别技术取得了显著进步，帮助人们更快地筛选图像和图形，以找到所需的信息。按照目前的进步速度，你可以期待图像识别在不久的将来取得重大飞跃，这部分要归功于 Google 的“做梦”计算机。