本文约1400字，建议阅读6分钟
本文介绍了利用红石做卷积神经网络复刻《最伟大的作品》的情况。
周董的《最伟大的作品》MV毫无意外地火了。
B站1500万 播放，70万 弹幕，直接顶流，这也带动了很多up主的二次创作，B站甚至出现了一个杰威尔音乐发起的视频活动，叫“#周杰伦新歌二创大赛”。
真·自己鬼畜自己……
比如这位up主，直接在MC（Minecraft，我的世界）中还原周杰伦《最伟大的作品》！
Up主 @-六氟化氙- 解释道，视频中棕色的方块可以发出各种音符的声音，然后用一定的速度把他们连接起来就可以做出一首音乐了。
当然，这显然不是MC能做的“最伟大的作品”，MC能做的可太多了！比如最近在B站上热门的一个视频——《世界首个纯红石神经网络！真正的红石人工智能》。
你敢信？
这个在MC中用红石创造的人工智能模型，是一个LeNet-5架构的手写数字识别模型，熟悉AI的同学，应该都知道这个架构，可以说是AI领域的入门经典模型了，相当于编程中“Hello World”。
但是这样的输入方式，大家大概都没见过。
MC中第一个LeNet-5架构神经网络
先带大家看一下MC中第一个LeNet-5架构的神经网络完成版大概的样子。
首先，你得在一块输入板上写下一个数字，这包括一个单脉冲式压力板和一个15×15的坐标屏幕（如上图）。
你在压力板上走出的轨迹就会显示在上面的坐标屏幕中。
随后，你输入的手写数字就会进入卷积层。
当然，因为卷积核没法移动，所以up主直接采取了堆叠的结构，就是搞N个卷积核，放到所有该进行卷积计算的位置，而后通过硬连接线连接到输入板上。
同时，为了保证非线性性，输出还要经过ReLU函数，因为卷积核只有3×3，所以可以直接使用模电运算，并在输出端直接连接ReLU。
然后就是全连接层。
全连接层每层由若干个神经元构成，每个神经元都连接多个输入，并产生一个输出，神经元会将每个输入加权累加，然后代入一个激活函数输出。
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。
该模型使用tanh作为激活函数。
权重被储存在投掷器里（调整物品配比生成不同的频率的随机串），输入乘以权重后通过模电累加。
当然，这里合作者们采用了非常多巧妙的方式在MC中实现这一过程。下面是实际的神经元电路。
堆叠神经元，就得到了整个全连接层。
在最后的输出层（以及层间缓存）需要使用这样一个模电计数器。
这个计数器可以统计模型输出的结果，并且显示到计数板上。
最后电路会选取可能性最大的那个，将结果显示到输出版面上，该模型在MNIST数据集上准确率可以达到80%。
最后再来看一下整个模型的总览，是不是很壮观？
进行一次预测计算需要20分钟
在MC中完成这项非凡壮举的除了up主本人，还有其他合作者。
这个项目也被上传至GitHub，有兴趣的同学可以去看看。
https://github.com/leamoon/StochasticNet
作者表示，他们使用了非传统的计算方式——随机计算来实现神经网络，使得设计和布局上比传统的全精度计算简单许多，且单次理论识别时间仅为5分钟。受限于Minecraft的运算能力，实际识别时间超过20分钟。
并且模型的权重也是训练好了输入进模型的，在MC中训练模型估计还是不太现实。
视频一经发出，也在B站引发了很多讨论。
比如：CPU表示不服~
还有：以后就不用TensorFlow和Pytorch了……
不得不说，最重磅的还得是这一位。
2018年图灵奖获得者，LeNet架构提出者Yann LeCun教授在Twitter和Facebook上转发了这个项目！
这一波，可以说是非常惊喜了。期待以后还能在MC看到他们更多有意思的作品！
,
