给这个B站UP主跪了，太强了！！

NLP从入门到放弃

共 2142字，需浏览 5分钟

·

2022-07-11 04:17

转自:机器之心

大家好，我是DASOU。

前两天在B站刷视频，被推送了一个非常有意思的整活视频：

一个B站大佬用红石在我的世界游戏中实现了 LeNet-5卷积神经网络。

当时看到视频的时候，我的内心OS是「这什么鬼？？」

我先把这个整活视频以及UP主后续一个卷积神经网络解读视频的链接放在下面，感兴趣的可以看一下，反正我看完，惊呼「YYDS，还能这么玩」

https://www.bilibili.com/video/BV1yv4y1u7ZX https://www.bilibili.com/video/BV1wF411F7PU

在我的世界（Minecraft）中，红石是一种非常重要的物品。它是游戏中的一种独特材料，开关、红石火把和红石块等能对导线或物体提供类似电流的能量。

红石电路可以为你建造用于控制或激活其他机械的结构，其本身既可以被设计为用于响应玩家的手动激活，也可以反复输出信号或者响应非玩家引发的变化，如生物移动、物品掉落、植物生长、日夜更替等等。

因此，在我的世界中，红石能够控制的机械类别极其多，小到简单机械如自动门、光开关和频闪电源，大到占地巨大的电梯、自动农场、小游戏平台甚至游戏内建的计算机。

近日，B 站 UP 主 @辰占鳌头等人在我的世界中实现了真正的「红石人工智能」，他们耗时六个月，构建了世界上首个纯红石神经网络，任务是识别 15×15 手写数字。

作者表示，他们使用非传统的计算方式——随机计算来实现神经网络，在设计和布局上比传统全精度计算简单许多，并且单次理论识别时间仅为 5 分钟。

这个纯红石神经网络完成了机器学习领域常见的图像识别任务——手写数字识别，并且准确率达到了 80%（在 MNIST 数据集上模拟）。

在实现的过程中，作者使用到的各种元素包括如下：

单个神经元接受多个输入并产生一个输出。

加入「乘法器」，仅使用随机数和单个逻辑门运算小数乘法。

神经元阵列输出识别结果或传递到下一层。

各数字的置信度。

卷积层用来提取笔画特征。

全连接第一层：压缩信息并分类。

激活函数阵列：将数据非线性地映射到高维特征空间。

全连接第二、三层：进一步分类并输出识别结果。

作者表示，该网络使用的架构是压缩的 LeNet-5，准确率达到 80%。

不过，受限于 Minecraft 的运算能力，实际识别时间超过 20 分钟。尽管如此，这仍是红石数电领域的重大突破，也可能启发现实中的硬件神经网络。

目前，视频的播放量已经超过 80 万，全 B 站排行榜最高第 39 名，让各路网友叹为观止。就连图灵奖得主 Yann LeCun 也在 Facebook 上转发了该视频，表示「一位非常有耐心且坚持不懈的人使用红石在我的世界中实现了 LeNet-5。」LeCun 是 LeNet 架构提出者。

视频地址：

https://www.bilibili.com/video/BV1yv4y1u7ZX
https://www.bilibili.com/video/BV1wF411F7PU

背后的原理

在另外一个视频《【Minecraft】红石卷积神经网络——原理》中，作者详细解释了红石卷积神经网络的原理。

总的来说，他们使用的是压缩的 LeNet-5 卷积神经网络，卷积是网络的第一步计算，使用一个带权重的窗口（卷积核）逐次扫描图像并提取笔画特征。

然后将这些笔画特征馈入到深度神经网络（全连接层）进行分类识别。

在我的世界中实现红石神经网络

作者首先列出了输入设备，包括一个单脉冲式压力板手写板和 15×15 坐标屏。其中手写板每次产生 2tick 的坐标信号，接着由屏幕绘制。

随后输入的手写数字进入卷积层，计算方法是累加卷积核被遮盖的部分，并将结果输出到下一层。并且，为了保证非线性，输出还经过了 ReLU 函数。

由于卷积核只有 3×3，因而作者直接使用了电模运算，并在输出端自动进行 ReLU。

另外，又由于卷积无法像动画里那样移动，所以采用了直接堆叠的方式，再通过硬连线连接到手写板输入上。

到了全连接层，它的每层由若干神经网络构成。每个神经元都连接多个输入，并产生一个输出。神经元将每个输入加权累加，然后带入一个激活函数输出。

需要注意的是，加权求和是「线性分割」，而激活函数一定是非线性的，用于提升维度。作者使用了 tanh（双曲正切）作为了激活函数。

反映到实际的神经元电路中，如下图所示。

同时，权重被储存在投掷器（用来调整物品配比生成不同频率的随机串）中，输入乘以权重后通过模电累加。

最终电路实现

关于电路实现，首先通过模电计算加法，然后转为数电信号。

累加器则是改装了另一位 Up 主提供的 2tick 流水线加法器，使之不会溢出。

接着堆叠神经元，构成一个全连接层。

最后一层的输出以及层间缓存使用如下模电计数器，它可以统计 5Hz 串中「1」的数量，容量则为 1024。

最后在输出层，计数器的高 4 位被连接到计数板上，然后电路选取最大的值并在输出面板上显示。

视频最后，作者展示了最终的网络结构，如下图所示。其中，权重范围为 [-1, 1]，随机串长度为 1024，MNIST 数据集上的准确率约为 80%。不过当串长为 256 时，准确率仅为 62%。

浏览 25

点赞

收藏

分享

举报

评论

图片

表情

这个 AI 主播，太强了！

微软这个太强了

Python网络爬虫与数据挖掘

微软这个太强了

机器学习算法与Python实战

微软这个太强了

菜鸟学Python

微软这个太强了

B站UP主的吃饭问题

【B站专题】2020年B站UP主价值研究报告

b站up主能挣多少钱？

2020年B站UP主价值研究报告

我也做了B站UP主！

机器学习初学者

点赞

收藏

分享

举报