经典回顾！LeCun展示了首个CNN

来自于点击下方卡片，关注“新机器视觉”公众号

视觉/图像重磅干货，第一时间送达

随着AI的发展，卷积神经网络（Convolutional Neural Network，CNN）已经成为从业者使用的最经典，也是最高效的神经网络架构之一。

1980年，日本科学家福岛邦彦在论文《Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition unaffected by shift in position》提出了一个包含卷积层、池化层的神经网络结构。

1998年，Yann LeCun等人发表论文《Gradient-Based Learning Applied to Document Recognition》，在其中提出了LeNet-5，将BP算法应用到神经网络结构的训练上，就形成了当代卷积神经网络的雏形。

随着之后的不断改进和发展，CNN的框架和结构趋向成熟，性能逐渐进一步上升，从而渐渐演变为了我们现在看到的经典结构。

研究者和工业界从业者，也早已经将CNN作为再自然不过的框架，在此基础上进行改进和创新。当然，Yann LeCun也早已成为大家心目中的“深度学习三巨头”之一。

至今，CNN已经在图像分类、物体检测、物体追踪、姿态预估、文本检测识别、场景标记、目标定位、物体分割等等领域得到了广泛的应用，为人们的日常生活提供了极大的便利。

都知道，想到并创造出一个新事物，远远比接受和掌握它要困难百倍。

那大家有没有想象过，CNN刚诞生的时候，场景是怎么样的？

今日，Reddit上一则帖子曝光了一段视频：

视频上记录了1993年32岁Yann LeCun展示的，用于文本识别的世界上第一个卷积网络。

注意，这是《Gradient-Based Learning Applied to Document Recognition》发布的五年以前。

视频中详细展现了当时Lecun等人在手动数字数据集上的实验结果。

毫无例外，当时的CNN已经可以以强大的准确率，正确对应输入，表现了完美的结果：

说到这里，我们可以看看过去是如何识别手写数字的，下图是过去识别手写数字的网络结构：

每一层网络都和相邻层全部连接。但是这样并没有考虑到图片中像素的空间分布，不管两个像素离的很近还是非常远都一视同仁，显然这样做是不合理的。

而CNN的出现，考虑到了输入值的（像素的）空间分布，（再加上一些人工设定的特性 例如共享权重等）使得它非常容易训练。也就可以做出更深层的网络结构，拥有更好的识别效果。

旧神经网络架构上的调整和改变，以及BP算法的引入，使得识别效果发生了惊人的提升，也为经典架构CNN的发展真正叩开了大门。

除此之外，我们还可以发现，算法输出的结果还可以“学习”到输入数字的位置，并且针对不同输入情况，有着极好的鲁棒性，这在1993年，完全称得上令人惊叹。

此外，这次曝光出来的实验涉及的输入类型，并不局限于MNIST：

当时的LeCun和其他研究人员很可能无法想象，在一个小小的实验室里提出的架构，竟然会对未来整个AI的发展，起着举足轻重的作用。

看着当时他们脸上的笑容，除了满满的成就感，更多的是热爱、激情，以及对研究结果的兴奋：

虽然身穿最朴素不过的衣服，窝在小小的办公室里，但是他们身上的光芒，却闪耀地无法令任何人无视。

是啊，无关乎功利，真正追求自己真正热爱的东西的时候，身上才会散发着任何人都会为之吸引的光芒。

当前，全世界仍然有大批研究者正在孜孜不倦的探索，努力开拓前景，为后来的人打开一扇扇窗。

可能有人会怀疑自己所做工作是否真正有意义，是的，一份工作的真正价值，并不一定会体现在当下，就像直到2012年，Imagenet图像识别大赛中，Hinton组的论文《ImageNet Classification with Deep Convolutional Neural Networks》中提到的Alexnet引入了全新的深层结构和dropout方法，一下子把error rate从25%以上提升到了15%，颠覆了图像识别领域之后，CNN才开始得到最蓬勃的发展一样。

只要你热爱你所做的，并不断去尝试，不管一时成功还是失败，它都具有极大的意义。

正是整个行业所有从业人员都在奋力地奔跑，这个领域的发展，才焕发出了最大的活力，其中的每个正在学术一线钻研的科研人员，他们的每一份尝试，每一次探索，每一次突破，都值得我们给予最大的敬意。

参考链接：

https://www.reddit.com/r/MachineLearning/comments/kuc6tz/d_a_demo_from_1993_of_32yearold_yann_lecun/

本文仅做学术分享，如有侵权，请联系删文。