今天（2015年7月29日），我們發布了Google翻譯手機App，現在這款App可支持20多種語言的即時視覺翻譯（Visual Translation），也就是說，您可拿著手機攝像頭對著實物，實物中的文字就可被即時識別出，並被翻譯成目標語言。這項技術就是Google翻譯中最新增加的特性——字鏡頭(Word Lens)，如圖1所示。
圖 1 Google翻譯手機版（圖片來源：Google）
因此，倘若下一次您有機會蒞臨一個陌生國家的城市，例如布拉格（Prague，捷克共和國首都和最大城市），當您飢腸轆轆地邁進一家飯館時，再也不用擔心看不懂那「宛如天書般」外文菜單了，因為此刻我們這款App可以悄然地幫您化解點菜的尷尬。那麼，這款App是如何能夠快速識別這些新語言的？下面我就給大家說道說道這款App背後的事兒。
言簡意賅地說，我們的這款即時視覺翻譯App，用到了深度神經網絡（deep neural network，DNN）技術。
當年，我們字鏡頭(Word Lens)研究團隊加入Google這個大家庭時，我們非常興奮，因為這樣就有機會和Google深度學習領域的大牛們一起工作。在過去幾年裡，神經網絡猶如「磐涅重生」，重新喚起人們的極大關注，研究人員們亦不負眾望，在諸如圖像識別等領域取得不斐的成就。
就在五年前，如果您交給計算機一幅阿貓或阿狗的圖像，讓它識別，通常它會很作難——水平有限，貓狗難辨。但時過境遷，由於卷積神經網絡（convolutional neural network）技術的誕生，計算機不但可輕易分別出阿貓阿狗，它們甚至還可以分別出狗的不同品種，不管這狗是中國藏獒、德國牧羊犬，還是拉布拉多犬、西伯利亞雪橇犬，計算機都能分辨出個「子醜寅卯」來。
圖2 數碼迷幻藝術（圖片來源：Google DeepDream）
是的，現在計算機的威力，已經不限於「玩玩」數碼迷幻藝術（trippy art，參見例圖2）了。如果你下載了Google翻譯App的最新發布版，用之翻譯您看不懂的外文菜單，那背後為您服務就是深度神經網絡技術。
或許，您會不以為然，唔，這個…… 這個還好吧，Google已經把深度學習用得「爐火純青」了，再把這技術用在文字翻譯上，似乎在情理之中，意料之內。在人工智慧時代，這類演示好像已有不少了吧。
但是，您可能不知道的是，我們這款App最棒的地方在於，它可在不聯網的情況下也能正常工作，也就是說，所有深度學習的計算完全在手機上完成的。您是知道的，深度學習的計算量是不容小覷的。可這又是怎麼做到的呢？
（1）找到圖片中字符
當利用手機攝像頭把圖像讀取進來後，Google即時翻譯App要做的是，找到圖片中需要翻譯的字母。這款App首要要剔除諸如樹木或汽車等背景對象，凸顯出想要翻譯的文字。在識辨圖片中的文字過程中，這款App通過識別類似的、連續的色素塊，來完成任務。如果某些像素顏色相似、位置彼此靠近，那麼就可能是我們要找的字符，這些字符連接成一行，或許就是我們要找的一行文字（下圖左1子圖為原始圖片，左2子圖中紅色方框框出的，即為標識出來的字符）。
圖3 圖片文字識別及翻譯流程
（2）識別圖片中字符
接下來，這款App就要識別出第（1）步定位的字符。這時就該讓「深度學習」出馬了。我們要用到卷積神經網絡，並在字母和非字母集合上訓練這個網絡，這樣做的目的在於，讓它學習到不同字母的長得是啥模樣（在圖3左3子圖中，瑞典語「Mörk」為識別出的字符）。
有意思的是，我們的訓練集，並非都是那些方方正正的「純潔的」字符集合，因為倘若不是這樣，訓練出來的識別器，就無法識別出在這個「並不純潔」的大千世界中的字符。要知道，在真實的世界裡，這些字符可能會因為反射、灰塵、汙跡及各種稀奇古怪的破損，導致攝像頭拍攝出來的字符「似是而非」。
因此，我們構建了一個字符生成器，來偽造生成各式各樣的陰影、扭曲字符。或許您要問，為什麼你們不用真實世界中的圖片字符，而是使用合成的數據集，來訓練深度神經網絡呢？
嗯，其實原因很簡單，我們很難找到足夠多的、多種語言的、各種「光怪陸離」文字樣本。當我們想要訓練一個真正高效的，緊湊的神經網絡時，更加困難的是，真實世界的字符樣本非常難以精細控制。
圖4 本圖顯示的是我們用作訓練的各種「髒」字母。這些「髒」字母包括有汙垢的，有亮點的和有扭曲的等各類字符，但這些情況不能有太多，因為太多這樣的非正常字符會讓我們的神經網絡「迷糊」。
（3）查詢字典，翻譯識別出的字符
接下來，就是通過查字典，將這些識別出來的文字翻譯為目標語言。在第（2）步的字符識別過程中，可能存在失準的地方，比如說，將「super」識別成「5uper」（也就是說，把字符S識別成5），但這也關係不大，在字典查詢過程中，匹配允許存在一定的模糊性，「5uper」還是有可能被糾正為「super」（在圖3左3子圖中，將瑞典語的「Mörk」翻譯成英語的「Dark」）。
（4）重新渲染翻譯的文字
最後一步，我們會重新渲染翻譯出來的文字，讓翻譯文字和圖片中原文的字體和顏色一致。之所以我們可以做到這點，是因為我們已經從圖像中找到並識別出我們要想的字符，並已確切地知道它們在原始圖片中的位置。於是，在獲取字符周圍的顏色後，就可以從原始圖像中「剔除」原始字符。然後，我們在保持原始前景色不變的基礎上，在原始文字位置上，添加翻譯出來的字符，這樣就可以達到，加工出的圖像和翻譯出來的文字猶如 「渾然天成」（對比一下：圖3左1子圖為原始圖，左4子圖為即時翻譯系統的加工圖，如果不了解內情，可能您都會認為，這是廠商發布的兩種語言版本的廣告呢）。
如果要將上述4步即時視覺翻譯的流程，放置到我們的數據中心（data center）上去完成，這看起來並不是什麼太難的事情。
但是，想一想，很多我們的手機用戶，特別是那些僅在下載我們App時才僅此一次的用到我們數據中心的用戶，他們的手機網絡，要麼慢如蝸牛，要麼時斷時續，加之智慧型手機又耗電得要命，讓他們的手機將拍攝到的圖像，發送到遠程的Google數據中心上，在計算完畢後，再將識別結果發回手機，在上述場景下，是非常的不便！
那些低端手機的性能，可能要比一個稍微好點的筆記本電腦慢上50倍，而這個性能稍好的筆記本電腦，在計算性能上，和我們的數據中心相比，亦是差得何止十萬八千裡。而事實上，我們的數據中心，才是運行常規圖像識別系統的平臺。
那麼，在沒有和任何雲計算平臺相連的背景下，如何利用這些四處移動的手機攝像頭捕獲圖像，並完成即時的視覺翻譯呢？
答案很簡單：自力更生，豐衣足食！我們開發了一個非常小型的神經網絡，讓它在計算能力有限的智慧型手機上，獨立工作。在訓練這個小型的神經網絡時，我們做了若干個嚴格的限定，也就是說，我們設置了它所能處理的信息密度上限。因此，工作的挑戰——如何生成最有效的訓練數據，立馬凸顯出來了。
在生成適用的訓練數據上，我們可是費了老大勁的。例如，我們僅希望識別出小幅扭曲變型的字符。因為如果字符扭曲幅度過大，為了識別它，神經網絡就會在過多不重要的事物上，使用過高的信息密度，這就大大增加深度神經網絡的計算量。所以，我們花了很大功夫，做出了一套工具，這些工具極大地提升了迭代效率和可視化渲染效果。在數分鐘內，我們可以改變我們的神經網絡算法，讓這個算法產生訓練數據，並重新訓練參數，最後給出可視化識別結果。
從這裡，我們可以找到，哪些字符識別失敗，並及時查明原因。在這點上，我們故意將訓練數據過度扭曲，這樣一來，字符「$」 一開始可能被識別為「S」。但這沒有關係，我們能夠快速地確認這種「失誤」何在，然後調整數據扭曲參數，來降低「失誤率」。這就有點像，在現實生活中，我們要徒手畫一副畫，剛開始，我們畫得可能很不像，但我們不斷地修正，每次重畫，都能進步一點點，最後您會看到，中途所有的不完善，都是為了畫出一個完美的畫面。
為了達到翻譯的即時性，我們也做了大量的優化工作，而且優化和反覆調試的工作量很大。此外，為了改善計算性能，在某些數學運算上，也需要手工重度調優。我們充分利用SIMD（Single instruction, multiple data，單指令流多數據流），這是一種數據並行的模式，來挖掘智能多核手機的並行潛能。同時，我們還優化矩陣乘法，提高矩陣運算的局部性，使之在各級緩存（Cache）中，提高Cache的命中率。
最後，如您所見，我們終於讓這個基於深度神經網絡的翻譯系統在手機上跑起來了，而翻譯的效果比老版翻譯系統高出一大截，而在運行速度上，一點也不遜色於老版翻譯系統。
有時候，新技術看起來非常抽象，找到諸如卷積神經網絡這類新技術的用武之地，並不總是那麼顯而易見。打破語言障礙——做一款棒棒的、多語言的即時視覺翻譯系統，我想，這應是一個偉大的應用案例。
原文來自：Google Research Blog
譯者介紹：張玉宏，博士。2012年畢業於電子科技大學，現執教於河南工業大學。中國計算機協會（CCF）會員，ACM/IEEE會員。主要研究方向為高性能計算、生物信息學，主編有《Java從入門到精通》一書。