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》说皇冠体育图片识别：
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[练：dào]图片的结果（图片（练：piàn）识别）。
可【pinyin：kě】以分为以下几步：
第一步：数据的预处理(拼音：lǐ)。
图片是由一个一个的【拼音：de】像素组成的，就拿入门的案例说吧，MNIST数{练：shù}据集，是一个手写数字的数据集，每一张图片都是由28×28个像素点形成的。
就像[pinyin：xiàng]这样：
总共有60000张这样(yàng)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shū 入[读：rù]为x输出为y，
计算机是{练：shì}无法读懂图片的，所以我们要将图片转换成计算机所能认识的{练：de}东东。
矩{pinyin：jǔ}阵：
x就是一个28×28的矩阵每一个点表示图片中【pinyin：zhōng】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[拼音：shì]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就是一个数字{练：zì}，0~9。
有些算法还会降皇冠体育x，y进行归一化，也就是转换为（繁体：爲）0~1之间的矩阵、数字。
第二步：抽取特征（繁：徵）。
卷积（特征提取）的{读：de}具体计算方法：
其中input为输入，filter叫做卷积核（暂且理解《jiě》为滤波器），output叫做特征图，特征图的个数和filter的个数是相同[繁体：衕]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zhè 里的W是我们最终要训练出来的。
计jì 算方法：
w0与x蓝色区域做内积（对应位置相乘（chéng）后相加）：
f1第娱乐城1层[繁：層] = 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(繁体：層) = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那么根据神经网络得（dé）分函数：f（x，w） = wx b
这里的【读：de】b =1
那么[繁：麼]输出的得亚博体育分值就为f1 f2 f3 b = 0 2 0 1 =3
最[拼音：zuì]右边绿色的矩阵第1行，第1列，就是3
将卷积核在输入矩阵滑动《繁：動》，
同理可《练：kě》以计算
这里的输出叫jiào 做特征图。
这里就可以看出，经过卷积核Filter（滤(繁：濾)波器），将图片浓缩了，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jiào 作卷积层。
这里只是一层，大型数据集（输入很多的{pinyin：de}情况）一层是不够的，需要很多层，输入-卷积-输出-卷积【繁体：積】-输《繁体：輸》出........。
比如VGG-16，就有16个卷积《繁体：積》层。
进一步浓(nóng)缩叫做池化层。
同样有一个[繁体：個]filter，将[繁：將]特征图进行MAX（取最大值）或者MEAN（取均值），进一步浓缩特征。
浓缩完特征之后，接着后面的层叫做全[读：quán]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，如【拼音：rú】果（练：guǒ）池化完成的结果是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{guǒ}。
以上最重要的就是要（yào）求W，也就是最前边说的，根据大数据找规律。
第三步{练：bù}：参数更新
那么还有问题(繁：題)，W是多少谁知道？
没人知道，这里是根据计算机一步一步的试出来的《de》，
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。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的范围内，那么就可直播吧以认为（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？这里并不是求导后求极值点，而是对损失函数求导数，调整W，使得差chà 值沿着导数的方《读：fāng》向前进，最终达到极小值点。
这时候得到的W就是我们最终要的结果了【pinyin：le】。
第四步：利用参(繁：蔘)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(繁：現)在有很[读：hěn]多的开源深度学习框架，是各大著名公司封装好的函数（已经造好hǎo 的轮子），
以下【读：xià】是一个卷积神经网络识别MNIST的小例子(zi)（基于google深度学习框架[练：jià]TensorFlow）：
只是经过了（繁体：瞭）21次的参数更新，最终的识别准确率在99%以上。
输出结果guǒ ：
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，测试集准确率(读：lǜ)是0.7688
第1次迭代[拼音：dài]，测试集准确率是0.7831
第2次迭代，测试（繁体：試）集准确率是0.8829
第3次迭代{读：dài}，测试集准确率是0.8883
第4次迭[拼音：dié]代，测试集准确率是0.889
第5次迭代，测试集{pinyin：jí}准确率是0.8919
第6次迭代，测试集【拼音：jí】准确率是0.8908
第7次迭代，测试集准确率《练：lǜ》是0.893
第8次迭代，测（读：cè）试集准确率是0.894
第9次迭【拼音：dié】代，测试集准确率是0.8949
第10次迭代，测试集《拼音：jí》准确率是0.8927
第11次迭代，测试集准确率是[练：shì]0.8935
第12次迭代（拼音：dài），测试集准确率是0.8948
第13次迭代，测试集准（繁体：準）确率是0.9873
第14次迭代，测[繁：測]试集准确率是0.9881
第15次迭代，测试集准确率【练：lǜ】是0.9864
第16次cì 迭代，测试集准确率是0.9885
第17次迭代，测{练：cè}试集准确率是0.9906
第18次迭代，测试[繁体：試]集准确率是0.9876
第19次《练：cì》迭代，测试集准确率是0.9884
第20次迭代，测试(繁：試)集准确率是0.9902
本文链接：http://10.21taiyang.com/Biological-SciencesScience/21162976.html
人工智能与模式识别《繁：彆》相关内容转载请注明出处来源
