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(繁体：彆)：
这里面的大数据就是{shì}已知的输入（图片）和已知的结果（图片的标签），抽取规律也【读：yě】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《读：xià》几步：
第一步：数[繁体：數]据的预处理。
图片是由(拼音：yóu)一个一个的像素组成的，就拿入门的案例说吧，MNIST数据【pinyin：jù】集，是(练：shì)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(xiàng)这样：
总共有60000张这样的图（繁：圖）片，而图片的标签（也就是结果）也（yě）是已知的（0~9），那么设输入【读：rù】为x输出为y，
计算机是无法读懂图片(拼音：piàn)的，所以《读：yǐ》我们要将图片转换成计算机所能认识的东（繁：東）东。
矩jǔ 阵：
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化的计算，将28×28 的矩阵，转换为[繁体：爲]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就是一{练：yī}个数字，0~9。
有些算法还会降x，y进行归一化，也就是转zhuǎn 换为0~1之间的矩阵、数字。
第二步：抽取【读：qǔ】特征。
卷积《繁体：積》（特征提取）的具体计算方法：
其中input为输入{pinyin：rù}，filter叫做卷积核（暂且理解为滤波器），output叫做特征图，特征图的个数【练：shù】和filter的个数是相同的（filter W0、filter W1）。既然是矩阵，那么可(kě)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。
计算娱乐城方{练：fāng}法：
w0与x蓝色区域做内积（对应位置相乘后相加(pinyin：jiā)）：
f1第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 = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
f1第3层{练：céng} = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那么根据（繁体：據）神经网络得分函数：f（x，w） = wx b
这里《繁体：裏》的b =1
那(读：nà)么输出的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的{de}矩阵第1行，第1列，就是3
将卷积核在输入（读：rù）矩阵滑动，
同理可【读：kě】以计算
这里的输出（读：chū）叫做特征图。
这里就可以看出，经过卷积核Filter（滤波器），将图(繁体：圖)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zhè 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，需要很多极速赛车/北京赛车层，输入-卷积-输出-卷积-输出........。
比如VGG-16，就有16个卷积层{练：céng}。
进一步浓缩（繁：縮）叫做池化层。
同样有一个filter，将特征图【pinyin：tú】进行MAX（取最大值）或者MEAN（取均{jūn}值），进一步浓缩特【读：tè】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（矩阵），分别乘以池化完成的结果，得到(读：dào)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(练：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《拼音：qián》边说的，根据大数据找规律。
第三步：参{pinyin：cān}数更新
那么还有问题，W是多少谁知{pinyin：zhī}道？
没人知道，这里是根(gēn)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，用已知的y与y1坐差值，那么{练：me}Y1-y就会有一个差值，就是预测值和真实值的de 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（繁：範）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值[拼音：zhí]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(jí)小值{练：zhí}点。
这时候得到dào 的W就是我们最终要的结果了。
第四{练：sì}步：利用参数
既(拼音：jì)然得到了W，我们就可以利用这个W，将一个未知结(繁体：結)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【练：hěn】多的《读：de》开源深度学习框架，是各{gè}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络识《繁体：識》别MNIST的小例【练：lì】子（基于google深【pinyin：shēn】度学习框架TensorFlow）：
只是经过了21次的参数更新，最终的识别准确率在99%以上。
输出结娱乐城（繁体：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【练：què】率是0.7688
第1次迭代(拼娱乐城音：dài)，测试集准确率是0.7831
第2次迭代，测试集《读：jí》准确率是0.8829
第3次迭代《读：dài》，测试集准确率是0.8883
第4次迭代，测（繁体：測）试集准确率是0.889
第5次迭（dié）代，测试集准确率是0.8919
第6次迭代，测[繁：測]试集准确率是0.8908
第7次【拼音：cì】迭代，测试集准确率是0.893
第8次迭代，测试集准确率《练：lǜ》是0.894
第9次迭代，测试集准确率（lǜ）是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（shì）0.8935
第12次迭（dié）代，测试集准确率是0.8948
第13次迭《拼音：dié》代，测试集准确率是0.9873
第14次cì 迭代，测试集准确率是0.9881
第15次迭[pinyin：dié]代，测试集准确率是0.9864
第16次迭代，测试集准确率是《拼音：shì》0.9885
第17次迭代，测试集准确《繁：確》率是0.9906
第18次迭代{读：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(拼音：shì)0.9902
本文链接：http://10.21taiyang.com/Health-Conditions/21162976.html
人工智能与模式识(拼音：shí)别相关内容转载请注明出处来源