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{pinyin：shuō}图片识别：
这里面的大数据就是已知的输入（图片）和(练：hé)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【pinyin：bié】）。
可以[读：yǐ]分为以下几步：
第一步{pinyin：bù}：数据的预处理。
图片是(练：shì)由一个一个的像素组成的de ，就拿入门的案例说吧，MNIST数据集，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【读：xiàng】这样：
总共有【拼音：yǒu】60000张这样的图片{练：piàn}，而图片piàn 的标签（也就是结果）也是已知的（0~9），那么设输入为x输出为y，
计算机是无法读懂图片的，所以我们要将图片转换成计《繁：計》算机所能认识的【拼音：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相应【pinyin：yīng】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《繁体：榘》阵）。这（繁：這）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就是一个数《繁体：數》字，0~9。
有些算法还会降x，y进行归一化，也就《练：jiù》是转换为0~1之间的矩阵、数字。
第二[练：èr]步：抽取特征。
卷积（特征提取）的具体计《繁：計》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，特征图的个数和filter的个数是相同的（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（读：fǎ）：
w0与x蓝色区域做内[繁体：內]积（对应位置相乘后相加）：
f1第1层【练：céng】 = 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
f1第3层 = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那么根据神经网络得dé 分函数：f（x，w） = wx b
这里的{练：de}b =1
那么输出(chū)的得分值就为f1 f2 f3 b = 0 2 0 1 =3
幸运飞艇最右边绿色的矩阵第1行，第1列liè ，就是3
将卷（繁体：捲）积核在输入矩阵滑动，
同理可以[拼音：yǐ]计算
这里的输出《繁体：齣》叫做特征图。
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(pinyin：zuò)激活函数），这层叫作卷积层。
这里只（繁体：祇）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{拼音：duō}层，输入-卷(juǎn)积-输出-卷积-输出........。
比如澳门巴黎人VGG-16，就有16个gè 卷积层。
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《拼音：zhí》）或者MEAN（取均值），进一步浓缩特《tè》征。
浓缩完特征之后，接{读：jiē}着后面的层叫做全连接层。
就是将权重[拼音：zhòng]参数W（矩阵），分别【bié】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（读：zhòng）要的就是要求W，也就是最前边说的，根据大数据找规律。
第三步《pinyin：bù》：参数更新
那nà 么还有问题，W是多少谁知道？
没人知道{练：dào}，这里是根据计算机一步一步的试出来的，
先随机{练：jī}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（拼音：chà）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《pinyin：de》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zhěng W，使得差值沿着导数的方向{练：xiàng}前进，最终达到极小值点。
这时候得到的W就是我{练：wǒ}们最终要的结果了。
第四步：利{lì}用参数
既然得到了W，我们就可以利(pinyin：lì)用这个W，将一《pinyin：yī》个未知结果的x输入，从(繁：從)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（繁：開）源深【pinyin：shēn】度学习框架{练：jià}，是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{繁：絡}识别MNIST的小例子（基于google深度【读：dù】学习框架TensorFlow）：
只是经过了21次的参数更新，最终的识【shí】别准确率在99%以上。
输出澳门威尼斯人结果《pinyin：guǒ》：
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(繁：準)确率是0.7688
第1次迭代，测试集准（繁体：準）确率是0.7831
第2次迭{pinyin：dié}代，测试集准确率是0.8829
第3次迭代，测试《繁：試》集准确率是0.8883
第4次cì 迭代，测试集准确率是0.889
第5次迭代，测试集准确率(lǜ)是0.8919
第6次迭代，测试集准确[拼音：què]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[繁：測]试集准确率是0.894
第9次迭代，测试【pinyin：shì】集准确率是0.8949
第10次迭代，测试集准确率是(pinyin：shì)0.8927
第11次迭代，测试集准确率《pinyin：lǜ》是0.8935
第12次迭代，测试集准确率是【pinyin：shì】0.8948
第13次迭代（拼音：dài），测试集准确率是0.9873
第14次迭代，测试集准娱乐城确《繁：確》率是0.9881
第15次迭代，测试集准确率是(shì)0.9864
第16次迭代，测(繁体：測)试集准确率是0.9885
第17次迭代，测试集准确率是（练：shì）0.9906
第18次迭代，测[繁：測]试集准确率是0.9876
第19次迭代，测[繁：測]试集准确率是0.9884
第20次迭代，测（繁：測）试集准确率是0.9902
本文链接：http://10.21taiyang.com/Hotels/1845772.html
迪士尼《pinyin：ní》票能转手吗转载请注明出处来源
