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：彆]：
这里面的大数据(繁：據)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jí 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《拼音：bù》：
第一步：数据的预【pinyin：yù】处理。
图片是由一个一个的像素组成的，就《pinyin：jiù》拿[读：ná]入门的案例说吧，MNIST数据集，是一个手写数字的数（繁体：數）据集，每一张图片都是由28×28个像素点形成的。
就像这样《繁：樣》：
总共有60000张这开云体育样的图片，而图片的标签（也就是结果《练：guǒ》）也是已知的（0~9），那么设输入为x输出为y，
计算机是[练：shì]无法读懂{练：dǒng}图片的，所以我们要将图片转换《繁体：換》成计算机所能认识的东东。
矩jǔ 阵：
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，这个1表示的是单通道，也就是只有一种(繁体：種)颜色。如(rú)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zì ，0~9。
有些算法还会降x，y进行归一化，也就是转换(繁：換)为0~1之间的矩阵、数字。
第二步：抽取特征【zhēng】。
卷[繁体：捲]积开云体育（特征提取）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，特征图的个《繁：個》数和filter的个数是相{pinyin：xiāng}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W是我们最终要训练出来的。
计算方法【fǎ】：
w0与x蓝色区域做内积（对应位（pinyin：wèi）置相乘后相加）：
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
极速赛车/北京赛车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 = 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（繁体：絡）得分函数：f（x，w） = wx b
这(繁体：這)里的b =1
那么输出的得分值[pinyin：zhí]就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的{练：de}矩阵第1行，第1列，就是3
将卷积核在{拼音：zài}输入矩阵滑动，
同理[pinyin：lǐ]可以计算
这[繁：這]里的输出叫做特征图。
这里就可以看出，经过卷积核Filter（滤波器《pinyin：qì》），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），这层叫作卷积【繁：積】层【céng】。
这里只是一层，大型数据（繁体：據）集（输入很多的情况）一层是不《读：bù》够的，需要很多层，输入-卷积（繁体：積）-输出-卷积-输出........。
比如VGG-16，就有16个卷(繁：捲)积层。
进一步浓缩叫做[zuò]池化层。
同样有一个filter，将特征图进行MAX（取最大值[pinyin：zhí]）或者MEAN（取《读：qǔ》均值），进一步浓缩特征。
浓缩完特征之后，接着后（繁体：後）面的层叫做全连接层。
就是将权重参数W（矩阵），分别乘以[pinyin：yǐ]池化完成的结果，得到最终《繁：終》的分类结果比如前边所说的0~9的手写字体，要分10个类《繁：類》别，如果池化完成的结果是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。
以上最重要的就是要求W，也就是最前边说的，根据大数据找规[拼音：guī]律。
第三步bù ：参数更新
那么还有问题(tí)，W是多少谁知道？
没人{练：rén}知道，这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，用已知的y与y1坐差值，那么Y1-y就会有一【练：yī】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《繁：價》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，那么就可以认为，由权重参数W生成的Y1可以对输入（拼音：rù）x进行预测和分类。
那么如何让损失函数最小呢？这里《繁：裏》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。
这时候得到的W就是我们最终要的(读：de)结果了。
第四[拼音：sì]步：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，是各大[拼音：dà]著名公司封装好的函数（已经造好的轮（读：lún）子），
以下是【shì】一个卷积神经网络识别MNIST的小例子（基《pinyin：jī》于google深度学（繁体：學）习框架TensorFlow）：
只是《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《繁：齣》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，测试集准《繁：準》确率是0.7688
第1次迭[练：dié]代，测试集准确率是0.7831
第2次迭代，测试集准确率是[练：shì]0.8829
第3次迭代，测试(shì)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，测试集准确率[练：lǜ]是0.8919
第6次迭代，测试集[读：jí]准确率是0.8908
第7次迭代，测试[繁体：試]集准确率是0.893
第8次迭代，测(cè)试集准确率是0.894
第9次【澳门银河读：cì】迭代，测试集准确率是0.8949
第10次迭[dié]代，测试集准确率是0.8927
第11次迭代，测试(繁体：試)集准确率是0.8935
第12次迭代，测试集准确率是(pinyin：shì)0.8948
第13次(读：cì)迭代，测试集准确率是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《繁：確》率是0.9864
第16次澳门巴黎人(读：cì)迭代，测试集准确率是0.9885
第17次迭代，测试集准[繁：準]确率是0.9906
第18次迭代，测(繁：測)试集准确率是0.9876
第19次迭代《dài》，测试集准确率是0.9884
第20次【练：cì】迭代，测试集准确率是0.9902
本文链接：http://10.21taiyang.com/Home-FurnishingsHome/21162976.html
人工(读：gōng)智能与模式识别相关内容转载请注明出处来源
