上一篇我们讲了一个最基础的问题：

深度学习到底在学什么？

简单来说，深度学习不是让人把所有规则都写死，而是给模型很多数据，让模型自己从数据里总结规律。

但是说到“数据”，它其实有很多种形式。比如：

图片：猫狗图片、手写数字图片、布料缺陷图片
文本：评论、新闻、论文、聊天记录
语音：一句话、一段录音、语音指令
表格：学生成绩、房价数据、用户信息
视频：监控画面、自动驾驶道路视频

这些数据看起来完全不一样，但在进入深度学习模型之前，都要先变成计算机能处理的数字。

那为什么我们这个系列先从图片讲起呢？

原因很简单：图片最直观。

我们能直接看到一张图片，也能很容易理解“猫狗分类”“手写数字识别”“缺陷检测”这些任务。相比文本、语音、表格数据，图片更适合用来解释深度学习入门阶段最重要的几个概念，比如：像素、矩阵、张量、通道、Batch Size、模型输入、模型输出、分类预测等。

当然，这并不代表深度学习只能处理图片。文本、语音、表格、视频也都可以用深度学习处理。只是对于初学者来说，图片是最容易“看见”和“理解”的入口。

所以今天这篇文章，我们就先从图片开始，看看：

一张图片在电脑眼里到底是什么？

接下来我们会讲清楚三个问题：1. 一张图片在计算机眼中到底是什么？2.深度学习中经常提到的张量Tensor是什么？3.模型第一次预测为什么像是乱猜？

1.计算机看到的不是图片，而是数字

我们人看到一张猫的图片，会觉得：

这是一只猫，它有耳朵、眼睛、胡须、毛发。

但是计算机不会这么理解。对计算机来说，一张图片其实是一堆像素点，而每个像素点又对应着数字。如果是一张灰度图，每个像素点通常可以用一个数字表示亮度。比如：

0   表示黑色
255 表示白色
中间的数字表示不同程度的灰色

所以一张简单的灰度图片，在电脑里可能长这样：

[
  [  0,  20,  35,  80],
  [ 10,  60, 120, 200],
  [ 30,  90, 180, 240],
  [ 50, 100, 210, 255]
]

这看起来像不像一个表格？没错，灰度图本质上就可以理解成一个二维矩阵。也就是说：

图片=数字矩阵

只不过我们人类看到的是图像，电脑处理的是数字。

2. 彩色图片为什么有三个通道？

刚才讲的是灰度图，但是我们平时看到的大多数图片都是彩色图片。彩色图片通常由三个颜色通道组成：

R：Red，红色通道
G：Green，绿色通道
B：Blue，蓝色通道

也就是我们常说的RGB图片。一张彩色图片，可以理解成由三张灰度图叠在一起，三个通道合在一起，就形成了最终看到的彩色图片：

红色通道：记录每个像素有多少红色
绿色通道：记录每个像素有多少绿色
蓝色通道：记录每个像素有多少蓝色

例如一张大小为 224 × 224 的彩色图片，它在电脑里通常可以表示成：

3 × 224 × 223

这里的含义是：3:RGB3个通道，224:图片高度，223:图片宽度所以，对于深度学习模型来说，一张彩色图片不是“猫图”或者“狗图”，而是一个三维数字数组。

可以这样理解：

灰度图：高度 × 宽度
彩色图：通道数 × 高度 × 宽度

3. 张量 Tensor 到底是什么？

学深度学习时，我们经常会看到一个词：Tensor，张量。很多初学者第一次看到这个词，会觉得很抽象。其实先不用把它想得太复杂，在入门阶段，我们可以先把张量理解成：用来装数据的多维数组。我们可以从低维到高维慢慢看。

3.1 标量：一个数字

一个单独的数字叫标量。比如：5，3.14，100等，它没有方向，也没有维度，也就是一个数字。

3.2 向量：一排数字

一排数字可以叫向量。比如一个学生的三个成绩：[80, 90, 85]，可以表示每一科的成绩，例如语文：80，数学：90，英语：85，这就是一维数据。

3.3 矩阵：一张数字表格

二维数字表格就是矩阵。比如

[
  [80, 90, 85],
  [70, 88, 92],
  [95, 91, 89]
]

也是拿成绩举例，他可以表示多个学生的多门成绩，即第一个学生的三科成绩分别为80、90、85，第二个学生为70、88、92，第三个学生为95、91、89。在图像任务中，一张灰度图片也可以看成一个矩阵。

3.4 张量：更高维的数据

如果数据维度更高，就可以叫张量。例如一张彩色图片：

[3, 224, 224]

这就是一个三维张量。如果一次输入 16 张彩色图片：

[16, 3, 224, 224]

这就是一个四维张量。

可以先简单记住：

标量：一个数字
向量：一排数字
矩阵：一张数字表
张量：更高维的数字数组

4. 深度学习里常见的 [B, C, H, W] 是什么意思？

如果你开始看 PyTorch 代码，经常会看到这样的形状：

[16, 3, 224, 223]或者[32, 1, 28, 28]

这几个数字到底是什么意思？

在图像任务中，PyTorch 里常见的图片张量格式是：

[B, C, H, W]

分别表示：

B：Batch Size，一次输入多少张图片

C：Channel，通道数

H：Height，图片高度

W：Width，图片宽度

例如[16, 3, 224, 224]的意思就是一次输入16张图片，每张图片有3个颜色通道，也就是RGB，图片的高度是224，图片的宽度是223。

5. 什么是 Batch Size？

刚才我们提到了一个词：Batch Size。他的意思是一次迭代进模型的样本数量。比如你有 1000 张图片，如果每次只送 1 张图片给模型，训练会比较慢，也不够稳定。所以通常我们会把数据分成一批一批。

比如：

总共有 1000 张图片
batch size = 100

那么每次送 100 张图片进入模型。这样完整训练一遍数据集，就需要：1000/100=10次，也就是10个iteration。可以把他类比成吃饭，我们不会一次把一整锅饭全塞进嘴里，而是一口一口吃。训练模型也是一样，不会一次把整个数据集全塞进去，而是一批一批送进去。

所以，Batch Size = 每次喂给模型多少个样本。

Batch Size 太小，训练可能比较慢，结果波动也可能比较大。

Batch Size 太大，占用显存会更多，普通电脑可能跑不动。

对于初学者来说，可以先记住：

显存小：batch size 设置小一点
显存大：batch size 可以适当调大

6. 用代码看一眼图片张量的形状

下面我们用一小段 PyTorch 代码来模拟一批图片。这里的前提是你已经学会了安装Pytorch，网上安装Pytorch的方法有很多，我这里先不具体写，如果以后有空我会再单独写，为了安装方便，可以先安装CPU版本的Pytorch，和CUDA版本相比没有那么多坑，但是后续训练模型最好还是要用CUDA。

import torch

x = torch.randn(16, 3, 224, 224)

print(x.shape)

输出结果是：

torch.Size([16, 3, 224, 224])

这表示我们创建了一个形状为 [16, 3, 224, 224] 的张量。也就是16张图片，每张图片3个通道，每张图片高度为224，宽度为224。这里的torch.randn()会生成一些随机的数字。虽然这些数字不是真实图片，但他的形状和一批真实图片是一样的。

7. 模型输入和输出是什么？

现在我们知道了，图片进入模型之前会变成张量。那么模型会输出什么？这取决于任务类型。如果是猫狗分类，模型可能输出两个分数：

猫：2.1
狗：0.5

如果是 10 类手写数字识别，模型可能输出 10 个分数：

数字 0：0.1
数字 1：2.3
数字 2：-0.5
数字 3：1.2
数字 4：0.0
数字 5：-1.1
数字 6：0.4
数字 7：3.2
数字 8：1.0
数字 9：0.7

这 10 个数并不是最终概率，而是模型对每个类别的原始打分。一般来说，分数越高，模型越倾向于认为图片属于这个类别。比如上面的例子中，数字 7 的分数最高，所以模型可能认为这张图片最可能是数字7。

8. Softmax：把分数变成概率

刚才说模型输出的是一组分数。但是我们更习惯看到这种形式：

猫：86%
狗：14%

这个时候就会用到常说的Softmax，他的作用可以先简单理解为把一组类别分数转换成一组概率。转换之后，所有类别的概率加起来等于 1。例如模型输出两个分数：猫：2.1，狗：0.5经过Softmax之后，可能就变成猫：83%，狗：17%。就更容易理解了。

但是要注意一点：Softmax 输出的是模型认为的概率，不一定代表它真的预测对了。比如一张猫图，模型可能输出：

猫：10%
狗：90%

这说明模型很自信地认为它是狗，但真实答案是猫。所以模型是否真的好，还要看预测结果和真实标签之间的差距。这个差距，就是下一篇要讲的 损失函数 loss。

9. 模型第一次预测为什么像是在乱猜？

很多初学者会以为，模型刚创建出来就应该有一点识别能力。但实际上，模型一开始通常是没有训练过的。它里面的参数大多是随机初始化的。也就是说，刚开始的模型并不知道什么是猫，什么是狗。我们可以把模型内部的参数理解成一堆“可调旋钮”。一开始，这些旋钮的位置是随机的。所以模型第一次预测时，结果往往也是不靠谱的。比如给它一张猫的图片，它可能输出：

猫：20%
狗：70%
其他：10%

这就是我们说的：模型一开始更像是在“乱猜”。训练的过程，就是不断调整这些参数，让模型从乱猜变成越来越会猜，最后逐渐学会正确分类。

10. 用代码模拟一次“模型预测”

下面我们用一个非常简单的模型来模拟预测过程。假设我们现在有一个输入数据，它有 4 个特征。模型要判断它属于 3 个类别中的哪一个。

import torch
import torch.nn as nn

# 定义一个最简单的线性模型
model = nn.Linear(4, 3)

# 模拟一个样本，包含4个特征
x = torch.randn(1, 4)

# 得到模型输出
output = model(x)

print(output)

你可能会得到类似这样的输出：

tensor([[ 0.2314, -0.5821,  1.0345]], grad_fn=<AddmmBackward0>)

这里输出了 3 个数字，分别表示模型对 3 个类别的打分。如果我们想把它变成概率，可以加 Softmax：

import torch.nn.functional as F

prob = F.softmax(output, dim=1)

print(prob)

可能输出：

tensor([[0.2671, 0.1184, 0.6145]], grad_fn=<SoftmaxBackward0>)

这表示模型认为：

类别 0：26.71%
类别 1：11.84%
类别 2：61.45%

所以模型会倾向于预测为类别 2。不过要注意：这个模型还没有训练过，所以现在的预测没有实际意义。它只是根据随机初始化的参数算出了一个结果。这也正好说明了一个关键问题：模型不是天生就会分类。模型需要通过训练，才能逐渐学会分类。

11.今日小结

今天只需要记住下面几个核心点：

1. 电脑不能像人一样直接“看懂”图片，它看到的是像素数字。
2. 灰度图可以理解成二维矩阵。
3. 彩色图通常由 R、G、B 三个通道组成。
4. 张量可以先理解成多维数组。
5. PyTorch 中常见的图片格式是 [B, C, H, W]。
6. Batch Size 表示一次送进模型的样本数量。
7. 模型输出的是类别分数，Softmax 可以把分数变成概率。
8. 未训练的模型第一次预测通常不靠谱，因为参数还是随机的。

12.下一节讲什么

今天我们知道了：

图片进入模型后，其实是一堆数字组成的张量，模型会根据这些数字输出预测结果。

但是新的问题来了：

如果模型预测错了，它怎么知道自己错得有多离谱？

比如一张猫的图片，模型却预测成狗。这时候我们就需要一个东西来衡量：

模型预测结果和真实答案之间到底差了多少

这个东西就是深度学习里非常重要的概念：损失函数 Loss Function，下一篇我们就来讲损失函数。