当前位置:Health-Conditions

人工智能与模式识(拼音:shí)别相关内容

2025-03-16 14:23:57Health-Conditions

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。

澳门新葡京

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。

澳门新葡京

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:

澳门新葡京

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

极速赛车/北京赛车

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

皇冠体育

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