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(繁：說)图片识别：
这（繁体：這）里面的大数据就是已知的输入（图片[pinyin：piàn]）和已知的结果（图片的标签），抽取规律也就是相应yīng 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（拼音：yǐ）下几步：
第一步：数据的预处理[pinyin：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[繁体：據]集《练：jí》，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《繁：這》样：
总共有60000张这[zhè]样的图片，而图片的标签（也就是结果）也是已知的（0~9），那么[繁体：麼]设输入为x输出为y，
计算机是无法（拼音：fǎ）读懂图片的，所以我们[men]要将图片转换成计算机所能认识的东（读：dōng）东。
矩《繁体：榘》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[繁体：個]数字，0~9。
有些算法还会降x，y进《繁：進》行归一化，也就是转换为0~1之间的矩阵、数字。
第二步{读：bù}：抽取特征。
卷积（特征提取）的具体(繁体：體)计算方法：
其（读：qí）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（拼音：nà）么可以设中间【pinyin：jiān】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【jì】算方法：
w0与x蓝色区域做内积（对应yīng 位置相乘后相加）：
f1第1层【pinyin：céng】 = 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[繁：層] = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那么[繁体：麼]根据神经网络得分函数：f（x，w） = wx b
这里[繁：裏]的b =1
那么输出的得分{pinyin：fēn}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，就是{读：shì}3
将卷积核在(读：zài)输入矩阵滑动，
同理可以【pinyin：yǐ】计算
这里的输(shū)出叫做特征图。
这里就可以看出，经过卷积（繁体：積）核Filter（滤波器），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(hán)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。
这里只是一层，大型数据集（输入很多的情况）一《练：yī》层是不够的，需要很多层，输入rù -卷积-输出-卷积【繁体：積】-输出........。
比如VGG-16，就有16个(繁体：個)卷积层。
进一步浓缩叫做池化[读：huà]层。
同样有一个filter，将特（读：tè）征图进行MAX（取最大值）或[拼音：huò]者MEAN（取均值），进一步浓缩特征。
浓缩完特征之后{pinyin：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[rú]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《繁体：結》果是1×64，那么全连[繁体：連]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【练：yǐ】上最重要的就是要求W，也就是最前边说的，根据大数据找规律。
第三步：参（读：cān）数更新
那[nà]么还有问题，W是多少谁知道？
没人知道（拼音：dào），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。澳门威尼斯人当代价函数最小的时候，预测值Y1和真实值y的差距越来(lái)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[繁：並]不是求导后求极值点，而是对损失函数求导数，调整W，使得差值[zhí]沿着导数的方向前进，最终达到极小值点。
这时候得到的{拼音：de}W就是我们最终要的结果了。
第四(pinyin：sì)步：利用参数
既然得【练：dé】到了W，我们就可以利用yòng 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（繁体：圖）片识别的结果。
现在(练：zài)有很[pinyin：hěn]多的开{练：kāi}源深度学习框架，是各大著名公司封装好的函数（已经造好的轮子），
以下是一《拼音：yī》个卷积神经网络识别MNIST的小《pinyin：xiǎo》例子（基于google深度学习框架TensorFlow）：
只是经【繁体：經】过了21次的参数更新，最终的识别准确率在99%以上。
输出结{繁体：結}果：
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
Extracting MNIST_data/t10k-labels-idx1-ubyte.gz
第0次迭代，测试集准确率《拼音：lǜ》是0.7688
第1次迭代，测（繁：測）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，测试集准确率是（pinyin：shì）0.8883
第4次迭代（pinyin：dài），测试集准确率是0.889
第5次迭代，测试(shì)集准确率是0.8919
第6次迭代【练：dài开云体育】，测试集准确率是0.8908
第7次迭代，测试集准[拼音：zhǔn]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【拼音：dié】代，测试集准确率是0.8949
第10次迭代，测《繁：測》试集准确率是0.8927
第11次迭代，测试集准确率是(练：shì)0.8935
第12次迭代，测试集准(繁体：準)确率是0.8948
第13次迭代，测(繁：澳门永利測)试集准确率是0.9873
第14次迭代，测试集准确[繁：確]率是0.9881
第15次【拼音：cì】迭代，测试集准确率是0.9864
第16次迭代，测试集【拼音：jí】准确率是0.9885
第17次（拼音：cì）澳门金沙迭代，测试集准确率是0.9906
第18次迭代，测试集【练：jí】准确率是0.9876
第19次迭代，测试集准确率【pinyin：lǜ】是0.9884
第20次迭代，测试集《pinyin：jí》准确率是0.9902
本文链接：http://10.21taiyang.com/Scooters/21162976.html
人工智能与模式识别相关内《繁：內》容转载请注明出处来源