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[繁：單]说图片识别：
这里面的大（拼音：dà）数据就是已知{拼音：zhī}的(拼音：de)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）。
可以分为以下几步(读：bù)：
第一步：澳门新葡京数（读：shù）据的预处理。
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，是一个手写数字的数据集娱乐城（练：jí），每一张图片都是由28×28个像素点形成的。
就像这样(yàng)：
总【pinyin：zǒng】共有60000张这样的图片，而图片的标签（也就是结果）也是已知的（0~9），那么设输入（rù）为x输出为y，
计算机是无法读懂图片的，所以我们要将图片转换成计算机直播吧所能认识的东东[繁：東]。
矩阵[繁：陣]：
x就是一个28×28的矩阵每一个点表示图片中{练：zhōng}相应位置的灰度。有的神经网络为了更简《繁：簡》化的计算，将28×28 的矩阵，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{jiù}是一个数字，0~9。
有些算法还会降x，y进行归一化，也就是转换为0~1之间的矩[繁：榘]阵、数字。
第二步(b澳门新葡京ù)：抽取特征。
卷积（特征[繁体：徵]提取）的具体计算方法：
其中input为输入，filter叫做卷积核（暂且理解为滤波器），output叫做特征图，特征图的【读：de】个数和filter的个数是shì 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[练：de]W是我们最终要训练出来的。
计算方【练：fāng】法：
w0与x蓝色区域《yù》做内积（对应位置相乘后相加）：
f1第1层 = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
f1第2层[繁：層] = 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
那么根据神经网络（繁：絡）得分函数：f（x，w） = wx b
这里的（pinyin：de）b =1
那么输出的得分值就为(拼音：wèi)f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的矩阵第1行，第1列，就（pinyin：jiù）是3
将卷积核在输入rù 矩阵滑动，
同理可以计[繁：計]算
这里的输出叫做特征图(拼音：tú)。
这里就可以看出，经过卷积【繁：積】核Filter（滤波器），将（繁体：將）图片浓缩了，浓缩之后，再进行一次非线性的处理【读：lǐ】，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（输入很{拼音：hěn}多的情况）一层是不够的，需要很多层，输入-卷积-输出-卷积-输出(chū)........。
比如VGG-16，就有16个卷积{繁体：積}层。
进一步浓缩叫做池化层[繁：層]。
同样有一个filter，将特征[繁：徵]图进行《练：xíng》MAX（取最大值）或者MEAN（取均值），进一步浓缩特征（繁体：徵）。
浓缩（繁：縮）完特征之后，接着后面的层叫做全连接层。
就是将权重参数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（读：bié），如果池化完成的（pinyin：de）结果是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《繁体：邊》说的，根据大数据找规律。
第三步{练：bù}：参数更新
那么还有问（繁：問）题，W是多少谁知道？
没人知道，这(繁：這)里是根据计算机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{练：zhī}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。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，当差距在我们可以接受{pinyin：shòu}的范围内《繁体：內》，那么就可以认为，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？这里并不是求导后求{qiú}极值点，而是对损失函数（繁：數）求导数，调整W，使得差【练：chà】值沿着导数的方向前进，最终达到极小值点。
这时候得到的W就是我们最终要的{读：de}结果了。
第四步：利用【读：yòng】参数
既然得到了W，我{练：wǒ}们就可以利用这个W，将一个未知{pinyin：zhī}结果的x输入，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（拼音：shì）各大著名公司封装好的函数（已经(繁体：經)造好的轮子），
以[pinyin：yǐ]下是一个卷积神经网络识别MNIST的小例子（基于【练：yú】google深度学习框架TensorFlow）：
只是经过了le 21次的参数更新，最终的识别准确率在99%以上。
输{pinyin：shū}出结果：
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
第0次迭代《练：dài》，测试集准确率是0.7688
第1次【读：cì】迭代，测试集准确率是0.7831
第2次迭代，测试集准[繁体：準]确率是0.8829
第3次《练：cì》迭代，测试集准确率是0.8883
第4次迭代，测试集准确率是{练：shì}0.889
第5次迭代，测试集《读：jí》准确率是0.8919
第6次迭代，测试《繁体：試》集准确率是0.8908
第7次迭代【piny世界杯in：dài】，测试集准确率是0.893
第8次迭代[读：dài]，测试集准确率是0.894
第9次迭[读：dié]代，测试集准确率是0.8949
第10次迭代，测试集准确率是（练：shì）0.8927
第11次{练：cì}迭代，测试集准确率是0.8935
第12次《练：cì》迭代，测试集准确率是0.8948
第13次迭代，测试集准确[拼音：què]率是0.9873
第14次迭[读：dié]代，测试集准确率是0.9881
第15次迭（读：dié）代，测试集准确率是0.9864
第16次迭代，测试集准确率是[练：shì]0.9885
第17次cì 迭代，测试集准确率是0.9906
第18次迭(dié)代，测试集准确率是0.9876
第19次迭代【pinyin：dài】，测试集准确率是0.9884
第20次迭代，测试集准确（繁：確）率是0.9902
本文链接：http://10.21taiyang.com/Biological-SciencesScience/20324020.html
人【pinyin：rén】工智能识别颜色转载请注明出处来源
