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（繁：圖）片识别：
这里面的大数据就是已知的输澳门威尼斯人入（图片）和已知的结果（图片的《练：de》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）。
可以分为以下几步（bù）：
第一步{pinyin：bù}：数据的预处理。
图片是由一个一个的像素组成的，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。
就像这样(yàng)：
总《繁：總》共有【yǒu】60000张这样的图片，而图(繁：圖)片的标签（也就是结果）也是已知的（0~9），那么设输入为x输出为y，
计[繁体：計]算机是无法读懂图片（读：piàn）的，所以我们要将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《de》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{拼音：de}是RGB三个颜色通道。
y就是{拼音：shì}一个数字，0~9。
有些算法还会降x，y进行归一化，也就是转换为0~1之间的矩阵（繁体：陣）、数字。
第二步：抽取(qǔ)特征。
卷积（特征提取）的具（读：jù）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(jiào)做特征图，特征图的个数和filter的个数[拼音：shù]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【练：zuì】终要训练出来的。
计算方（读：fāng）法：
w0与x蓝色区域做内积（对应位(练：wèi)置相乘后相加）：
f1第1层(céng) = 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[繁：層] = 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[拼音：hán]数：f（x，w） = wx b
这[繁体：這]里的b =1
那么(繁体：麼)输出的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边【练：biān】绿色的矩阵第1行，第1列，就是3
将卷积核（读：hé）在输入矩阵滑动，
同理可《读：kě》以计算
这【zhè】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），将图片浓缩{繁体：縮}了，浓缩之后，再进行一次非线性的（读：de）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[练：hán]数），这层叫作卷积层。
这里只是一层，大型数据集（输入很多的情况）一【yī】层是不够的，需要很多层，输入-卷积-输出-卷【juǎn】积-输出........。
比如VGG-16，就有16个卷积(繁体：積)层。
进一步浓缩叫做池化[读：huà]层。
同样有《pinyin：yǒu》一个filter，将特征图进行MAX（取(练：qǔ)最大值）或(拼音：huò)者MEAN（取均值），进一步浓缩特征。
浓缩完特tè 征之后，接着后面的层叫做全连接层。
就是将权重参数W（矩阵），分别乘以池化完成的结果，得《dé》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[繁：彆]，如果池化完成的结果是1×64，那么全连接[读：jiē]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【练：gēn】据大数据找规律。
第三步《拼音：bù》：参数更新
那么还有问题，W是多少谁知【zhī】道？
没【méi】人知道，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[练：yòng]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[yuè]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（de）Y1可以对输入x进行预测和分类。
那么如何让损（读：sǔn）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(读：de)方向前进，最终达到极小值点。
这时候（pinyin：hòu）得到的W就是我们最终要的结果了。
第四步：利lì 用参数
既然《pinyin：rán》得到了[繁：瞭]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(拼音：shí)别的结果。
现在有很多的开源深度学习框架，是各大著名公司封装好的[de]函数（已经造好[练：hǎo]的轮子），
以下是一个卷积神经网络识别MNIST澳门永利的小例子（基jī 于google深度学习框架TensorFlow）：
只是经过[繁：過]了21次的参数更新，最终的识别准确率在99%以上。
输出结{繁：結}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次迭代(拼音：dài)，测试集准确率是0.7831
第2次澳门新葡京迭代，测试集准（繁体：準）确率是0.8829
第3次迭代，测(cè)试集准确率是0.8883
第4次迭代，测试集准确[繁体：確]率是0.889
第5次迭代，测试{练：shì}集准确率是0.8919
第6次(cì)迭代，测试集准确率是0.8908
第7次迭代，测试[繁：試]集准确率是0.893
第8次迭代，测试集jí 准确率是0.894
第9次迭{dié}代，测试集准确率是0.8949
第10次迭代，测试澳门新葡京集准确率是（读：shì）0.8927
第11次迭(dié)代，测试集准确率是0.8935
第12次迭代[练：dài]，测试集准确率是0.8948
第13次澳门新葡京迭代，测试集准确率是[shì]0.9873
第14次迭代，测试集准确《繁：確》率是0.9881
第15次迭（拼音：dié）代，测试集准确率是0.9864
第16次迭代，测试集准确率是【pinyin：shì】0.9885
第17次迭代，测试集准确率(练：lǜ)是0.9906
第18次迭代，测试shì 集准确率是0.9876
第19次迭代，测试集准(繁体：準)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/Hotels/21162976.html
人（读：rén）工智能与模式识别相关内容转载请注明出处来源
