请关闭浏览器的阅读/畅读/小说模式并且关闭广告屏蔽过滤功能，避免出现内容无法显示或者段落错乱。
“我做的是图像识别方向。传统的方法是把图像的特征用人工的方式定义好，边缘、角点、纹理，然后交给分类器去学。”
“但人工定义的特征，总有一个上限。换一个场景，换一种光照，换一个角度，那些手工特征就废了。”
他一边一边操作电脑，屏幕上出现了几张模糊的、光线很暗的人脸照片，分辨率很低，大概只有几十个像素见方。
“我的做法不一样。我不去定义特征。”
“我给网络一堆原始的像素，让它自己从数据里学出该看什么。”
“一层一层往上抽象，底层学边缘，中层学部件的组合，高层学整体的模式。”
“每一层都是从前一层的输出里学出来的，不需要人去告诉它该学什么。”
他敲了一下键盘，屏幕切换到一组对比结果。
“这是标准的人脸数据集。用传统的人工特征加支持向量机，识别率大概在百分之七十几。”
“用我这个逐层无监督预训练的网络，同样的数据量，识别率能到百分之九十一。”
“而且数据越脏、噪声越大，差距越明显。因为它的特征是从数据里长出来的，不是人硬塞进去的。”
余天成盯着屏幕上的那组数字。
百分之九十一！
在一个低分辨率、带噪声的人脸数据集上，用逐层无监督预训练的方式，做到百分之九十一。
2007年，在绝大多数人还在手工设计特征、调SVM参数的时候。
有人已经在这间不起眼的会议室里，用一台厚重的笔记本电脑，跑通了那个后来会被叫做“深度学习”的东西的雏形。
余天成的震惊在于，国内很多学者，真的有改变世界的能力，但是他们为什么到后面都寂寂无闻，或者换到其它地方去完成自己的学术了呢？
(https://。