AI人工智能技术是通过怎样的方式实现人脸识别和图片识别的？用通俗的话总的来说，就是利用大数据抽取规律，再利用规律去预测（回归）、分类、聚类未知的输入，得到输出（结果）。单说图片识别：这里面的大数据就是已知的输入（图片）和已知的结果（图片的标签），抽取规律也就是相应的算法（卷及神经网络），预测、分类、聚类就是得到图片的结果（图片识别）
AI人工智能技术是通过怎样的方式实现人脸识别和图片识别的？
用通俗的话总的来说，就是利用大数据抽取规律，再利用规律去预测（回归）、分类、聚类未知的输入，得到输出（结果）。单说图片识别[繁：彆]：
这里面的大数据就是已知的输入（图片）和已知的《练：de》结果（图片的标签），抽取规（繁体：規）律也就是相应的算法（卷及（练：jí）神经网络），预测、分类、聚类就是得到图片的结果（图片识别）。
可以分【读：fēn】为以下几步：
第一步：数据的预处理[练：lǐ]。
图片是由一个一个的像素组成的，就拿入门的案例说吧，MNIST数据集，是一个[繁：個]手写数字的数据集，每一张图【pinyin：tú】片都（拼音：dōu）是由28×28个像素点形成的。
就像这(繁：這)样：
总共有60000张这样{练：yàng}的图片，而图片的标签（也就是结果）也是已知的（0~9），那{练：nà}么设输入为x输出为y，
计算机是无法读懂图片的，所以我们要[pinyin：yào]将图片转换成计算机所【pinyin：suǒ】能认识的东东。
矩阵《繁体：陣》：
x就是一个28×28的矩阵（繁：陣）每一个点表示图片中相应位置的灰度。有的神经网络为了更简化的计算，将28×28 的(de)矩阵，转换为一个1×784的向量（一维矩阵）。这里的x是28×28×1，这个1表示的是单通道，也就是只有一种颜色。如果是彩色图片的话，那么就应该是28×28×3，这个3表示的是RGB三个颜色通道。
y就是【读：shì】一个数字，0~9。
有些算法还会降x，y进行xíng 归一化，也就是转换为0~1之间的矩阵、数字。
第二步：抽取特《pinyin：tè》征。
卷积（特征提取）的具jù 体计算方法：
其中input为输入，filter叫做卷积核（暂且理解为[繁：爲]滤波(读：bō)器），output叫做特征图，特征图的个数和filter的个数是相同的（filter W0、filter W1）。既然是矩阵，那么可以设中间的参数是W，于是就有Wx b = output。这里的W是我们最终要训练出来的。
计算方法：
w0与x蓝色区域做内积[繁：積]（对应位置相乘后相加）：
f1第1层（读：céng） = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
f澳门伦敦人1第2层(céng) = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
f1第3层（繁：層） = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那么根据神经（繁体：經）网络得分函数：f（x，w） = wx b
这【pinyin：zhè】里的b =1
那么输出的得分值（练：zhí）就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的{拼音：de}矩阵第1行，第1列，就是3
将卷积核在输《繁体：輸》入矩阵滑动，
同理可《读：kě》以计算
这里的输出叫做特【直播吧拼音：tè】征图。
这里就可以看出，经过卷积核(繁：覈)Filter（滤波器《练：qì》），将（繁体：將）图片浓缩了，浓缩之后，再进行一次非线性的处理，用一些非线性的函数将线性结果非线性化（叫做激活函数），这层叫作卷积层。
这里只是一层，大型数据集（输入{读：rù}很多的情况）一层是[练：shì]不够的，需要很多层，输入-卷积-输出-卷积-输出........。
比如VGG-16，就有《拼音：yǒu》16个卷积层。
进一《yī》步浓缩叫做池化层。
同开云体育样有一个filter，将特征图进行MAX（取最大值）或者MEAN（取均值），进一(拼音：yī)步浓缩特征。
浓缩完特征之后，接着后面的层叫做全连接层[繁体：層]。
就是将权重[pinyin：zhòng]参数W（矩阵），分别乘以池化完成的结果，得到最终的分类结果比如前边所说的0~9的手写字体，要分10个类别，如果池化完成的结果【练：guǒ】是1×64，那么全连接层就应该是64×10，最终得到1×10的矩阵，就是分类0~9的结果。
以上最重要的就是要求W，也就是最前边说的，根据大数据找《pinyin：zhǎo》规律。
第三步：参数更新(pinyin：xīn)
那么还有问题，W是直播吧多少谁(繁：誰)知道？
没人知道，这里是根据计算机{pinyin：jī}一步一步的试出来的，
先随机的给出一组W，算出结果Y1，利用已知的x当做输入，用已知的y与y1坐差值，那么Y1-y就会有一个差值，就是预测值和真实值的差值（练：zhí）。称作损失函数，有些叫做代价函数。当代价函数最小的时候，预测值Y1和真实值y的差距越来越小（pinyin：xiǎo），当差距在我们可以接受的范围内，那么就可以认为（繁体：爲），由权重参数W生成的Y1可以对输入x进行预测和分类。
那么如何让损失函数最小呢？这里【lǐ】并不是求导后求极值点，而是对损失函数求导数，调整《pinyin：zhěng》W，使得差值沿着导数的方向前进，最终达到极小值点。
这(zhè)时候得到的W就是我们最终要的结果了。
第四步bù ：利用参数
既然得到了W，我们就可以利用这个W，将一个未知结果的x输《繁：輸》入（读：rù），从而得到通过W计算出的y，这个y就是图片识别的结果。
现在有很多的开源深度学习框架，是《pinyin：shì》各大著名公司（练：sī）封装好的函数（已经造好的{读：de}轮子），
以[拼音：yǐ]下是一yī 个卷积神经网络识别MNIST的小例子（基于google深度学习框{练：kuāng}架TensorFlow）：
只是经过了21次的参数更新，最终的识别准确率在zài 99%以上。
输出结【繁：結】果：
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
第0次迭代，测试集准确率[练：lǜ]是0.7688
第1次迭代，测试集准确率[练：lǜ]是0.7831
第2次迭代，测试集准确（繁：確）率是0.8829
第3次迭代，测试集准[繁：準]确率是0.8883
第4次迭代，测试集{jí}准确率是0.889
第5次迭代，测试集准(zhǔn)确率是0.8919
第6次迭{练：dié}代，测试集准确率是0.8908
第7次迭代，测{练：cè}试集准确率是0.893
第8次迭代，测试集（拼音：jí）准确率是0.894
第9次迭(读：dié)代，测试集准确率是0.8949
第10次迭代dài ，测试集准确率是0.8927
第11次迭代，测试集准确率是0.8935
第12次迭代，测试集准确（繁：確）率是0.8948
第13次迭代，测（读：cè）试集准确率是0.9873
第14次迭代，测《繁：測》试集准确率是0.9881
第15次迭dié 代，测试集准确率是0.9864
第16次迭代，测试集准{pinyin：zhǔn}确率是0.9885
第17次迭代，测试集准确率是[pinyin：shì]0.9906
第18次迭代[pinyin：dài]，测试集准确率是0.9876
第19次【读：cì】迭代，测试集准确率是0.9884
第20次迭代，测试集准确率是《读：shì》0.9902
本文链接：http://10.21taiyang.com/Biological-SciencesScience/1845772.html
迪士尼票能转(拼音：zhuǎn)手吗转载请注明出处来源
