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：
这里[拼音：lǐ]面的大数据就是已知（pinyin：zhī）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）。
可以分为{pinyin：wèi}以下几步：
第一步：数据的预处理(拼音：lǐ)。
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(繁：據)集，是一（拼音：yī）个手写数字的数据集，每一张图片都是由28×28个像素点[繁：點]形成的。
就{练：jiù}像这样：
总共(练：gòng)有60000张这样的图片，而图片的标签（也就是结果）也是已知的（0~9），那【pinyin：nà】么设输入为x输出为y，
计算机是无法读[繁：讀]懂图片的，所以我们要将图片转换成计算机所能认(繁：認)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liàng （一(pinyin：yī)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（繁体：顏）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[yī]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（繁：爲）0~1之间的矩阵、数字。
第二步：抽取特(拼音：tè)征。
卷积（特征提(tí)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，特征图的个数和filter的个数是相同的（filter W0、filter W1）。既然是矩(繁体：榘)阵，那么《繁：麼》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。
开云体育计算方法fǎ ：
w0与x蓝色区域做zuò 内积（对应位置相乘后相加）：
f1第1层《繁体：層》 = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
f1第2层(繁体：層) = 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（繁体：經）网络得分函数：f（x，w） = wx b
这里的(读：de)b =1
那么输出chū 的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的矩阵第1行，第1列，就（pinyin：jiù）是3
将卷积核在输入rù 矩阵滑动，
同理可以计[繁体：計]算
这里的输出叫做特(练：tè)征图。
这里就可以看出，经过卷积核(hé)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），这层叫作卷积层。
这里只是一层，大型(xíng)数据集（输入很多的情qíng 况）一{yī}层是不够的，需要很多层，输入-卷积-输出-卷积-输出........。
比如VGG-16，就(jiù)有16个卷积层。
进一步浓缩叫做池化（拼音：huà）层。
同（繁：衕）样有一个filter，将特征图进行MAX（取【练：qǔ】最大值）或者MEAN（取均值），进一步浓缩特征。
浓缩完特征之后[拼音：hòu]，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，如果池化完成澳门巴黎人的结果是1×64，那么全连接层就应{pinyin：yīng}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（pinyin：de），根据大数据找规律。
第三步：参数（繁体：數）更新
那么还有(拼音：yǒu)问题，W是多少谁知道？
没人知道，这里是根据计(繁：計)算机一步一步的试出来的，
先随机的给(繁：給)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(拼音：shí)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皇冠体育点，而是对损失函数求导数，调（繁体：調）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就是我们最终要的结果了(le)。
第四步：利用参[繁：蔘]数
既然得到了{pinyin：le}W，我《wǒ》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（繁体：齣）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《练：shì》各大著名公司【读：sī】封装[拼音：zhuāng]好的函数（已经造好的轮子），
以下是一个《繁体：個》卷积神经网络识别MNIST的小例子（基于(繁：於)google深度学习框架TensorFlow）：
只是澳门威尼斯人经过了21次的参数更新，最终的识别准确率(pinyin：lǜ)在99%以上。
输出结{繁体：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(拼音：jí)准确率是0.7688
第1次迭代，测试集（练：jí）准确率是0.7831
第2次迭代，测试集准确[繁体：確]率是0.8829
第3次(cì)迭代，测试集准确率是0.8883
第4次迭代，测试（繁体：試）集准确率是0.889
第5次[拼音：cì]迭代，测试集准确率是0.8919
第6次迭代，测试(繁：試)集准确率是0.8908
第7次迭代，测试集准确率是[练：shì]0.893
第8次迭代{拼音：dài}，测试集准确率是0.894
第9次{cì}迭代，测试集准确率是0.8949
第10次迭代《dài》，测试集准确率是0.8927
第11次迭代，测试集准[繁：準]确率是0.8935
第12次迭代，测试集《pinyin：jí》准确率是0.8948
第13次[拼音：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(拼音：zhǔn)确率是0.9864
第16次迭代，测试[繁体：試]集准确率是0.9885
第17次迭代，测{pinyin：cè}试集准确率是0.9906
第18次迭代，测试集准确(繁体：確)率是0.9876
第19次迭dié 代，测试集准确率是0.9884
第20次迭代，测试集准确率是（练：shì）0.9902
本文链接：http://10.21taiyang.com/Hotels/604056.html
百{pinyin：bǎi}度人脸搜索转载请注明出处来源