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(繁：識)别：
这里面的大数据就是已知的输入（图片）和已知的结果[pinyin：guǒ]（图片的标签），抽取规律也就是相应的算法（卷及神经网[繁：網]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：
第一步：数据【练：jù】的预处理。
图片是由一个一个的像素组成的，就拿入门的(de)案例说吧，MNIST数据集，是一个手写数字的数据集(读：jí)，每一张图片都是由28×28个像素点形成的。
就像这(繁：這)样：
总[繁：總]共有60000张这样的图片，而图片的标签（也（练：yě）就（拼音：jiù）是结果）也是已知的（0~9），那么设输入为x输出为y，
计算机是无法读[繁体：讀]懂图[繁：圖]片的，所以我们要将（繁体：將）图片转换成计算机所能认识的东东。
矩阵（繁：陣）：
x就是一个28×28的矩阵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(繁：這)个1表示的是单通道，也就是只有一种颜色。如果是彩（繁体：綵）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[pinyin：yī]个数字，0~9。
有些xiē 算法还会降x，y进行归一化，也就是转换为0~1之间的矩阵、数字。
第二步：抽取(qǔ)特征。
卷积（特征提取）的具体计算方法(fǎ)：
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(繁体：數)和filter的个数是相同的（filter W0、filter W1）。既然是《pinyin：shì》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。
计算方澳门新葡京法{pinyin：fǎ}：
w0与澳门银河x蓝色区域做（拼音：zuò）内积（对应位置相乘后相加）：
f1第1层（繁体：層） = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
f1第2层【céng】 = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
f娱乐城1第3层 = 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分函数【shù】：f（x，w） = wx b
这里的《pinyin：de》b =1
那【nà】么输出的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿（繁体：綠）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]，
同理可以计[繁：計]算
这里的输出叫【练：jiào】做特征图。
这里就可以看出，经过卷积核Filter（滤波器《qì》），将图片浓缩了，浓缩之后，再进行一次非线性的处《繁体：處》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juǎn 积层。
这里只是一层，大型数据集（输入很多的情况）一层是不够的，需要很多层，输入-卷积-输出(繁体：齣)-卷积-输出(繁：齣)........。
比如VGG-16，就澳门威尼斯人有16个卷积《繁体：積》层。
进一步浓缩叫(读：j世界杯iào)做池化层。
同样有一个filter，将特征图进【jìn】行MAX（取最大值）或(huò)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《拼音：quán》连接层。
就是将权重参数W（矩jǔ 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(繁：結)果是1×64，那么全连接层就应该是shì 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《繁体：據》大数据找规律。
第三步：参{pinyin：cān}数更新
那么还有问题，W是（shì）多少谁知道？
没人知道，这里是根据计算机一步bù 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(读：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（pinyin：jù）越来越小，当差距在我们可以接受的范围内，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极jí 值点，而是对损失函数求导数，调整W，使得差值沿着导数的方向前进，最终达到极小值点[繁：點]。
这时候得到《拼音：dào》的W就是我们最终要的结果了。
第四步《练：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(shū)入《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（hěn）多的《pinyin：de》开源深度学习框架，是《pinyin：shì》各大著名公司封装好的函数（已经造好的轮子），
以下是一个卷积神经网《繁：網》络识（繁体：識）别MNIST的小例子（基于google深度学(繁：學)习框架TensorFlow）：
只是(拼音：shì)经过了21次的参数更新，最终的识别准确率在99%以上。
输出结果【拼音：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（pinyin：cì）迭代，测试集准确率是0.7688
第1次迭代，测试集准确率（pinyin：lǜ）是0.7831
第2次迭代[读：dài]，测试集准确率是0.8829
第3次迭代，测[繁体：測]试集准确率是0.8883
第4次迭《pinyin：dié》代，测试集准确率是0.889
第5次迭代，测试集准确率是（读：shì）0.8919
第6次迭代，测试集准[繁体：準]确率是0.8908
第7次迭代，测试集准确率是【pinyin：shì】0.893
第8次迭代，测试集准确率是【练：shì】0.894
第9次迭代，测试集准确率是《shì》0.8949
第10次迭代【练：dài】，测试集准确率是0.8927
第11次迭代，测试集准确率是（练：shì）0.8935
第12次迭代，测《繁：測》试集准确率是0.8948
第13次迭代，测试[繁体：試]集准确率是0.9873
第14次迭代《dài》，测试集准确率是0.9881
第15次迭代，测试集准(繁体：準)确率是0.9864
第16次迭【拼音：dié】代，测试集准确率是0.9885
第17次迭代，测试[拼音：shì]集准确率是0.9906
第18次迭代，测试(繁：試)集准确率是0.9876
第19次迭代，测试集【读：jí】准确率是0.9884
第20次迭代，测试集准(繁体：準)确率是0.9902
本文链接：http://10.21taiyang.com/Biological-SciencesScience/604056.html
百度人脸{繁体：臉}搜索转载请注明出处来源