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(拼音：shuō)图片识别：
这里面的大数据就(练：jiù)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（练：dào）图片的结果（图片识别）。
可以分为以[pinyin：yǐ]下几步：
第一步：数据的预yù 处理。
图片是由一（拼音：yī）个一个的像素组成的，就拿入门的案例说吧，MNIST数据集，是(练：shì)一个手写数字的数据集，每一张图片都是由28×28个像{练：xiàng}素点形成的。
就像这(繁体：這)样：
总共有60000张这样[繁体：樣]的图（读：tú）片，而图片的标签（也就是结果）也是已知的（0~9），那么设输入为x输出为y，
计算机是无法读懂图片的，所以我们要将图片转换成计算机所《pinyin：suǒ》能认识《繁体：識》的东东。
矩阵（繁体：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。如果是{shì}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。
娱乐城y就是一（读：yī）个数字，0~9。
有些算法还会降x，y进行归一化，也就是{shì}转换为0~1之间的矩阵、数字。
第二步：抽取特征[繁：徵]。
卷积（特征提（直播吧读：tí）取）的具体计算方法：
其中input为输入，filter叫做卷《繁：捲》积核（暂且理解为(繁：爲)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(拼音：yǐ)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蓝色区域做内积（对（繁：對）应位置相乘后相加）：
f1第1层 = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
f1第2层{pinyin：céng} = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
f1第3层（读：céng） = 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
这里的（练：de）b =1
那么输出（繁体：齣）的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的矩《繁体：榘》阵第1行，第1列，就是3
将卷积核在输入[rù]矩阵滑动，
同《繁体：衕》理可以计算
这里的输出叫做特征(繁：徵)图。
这里就可以看出，经过卷积核Filter（滤波器），将图片浓缩[繁：縮]了，浓缩之后，再进行一次非线性的处理，用一些非（pinyin：fēi）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，大型数据[繁体：據]集（输入很多的情qíng 况）一层是不够的，需要很多层，输入-卷积-输出-卷积-输出........。
比如《rú》VGG-16，就有16个卷积层。
进[繁：進]一步浓缩叫做池化层。
同样有一个filter，将特征图[拼音：tú]进行MAX（取最大值zhí ）或者MEAN（取均值），进一步浓（繁：濃）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），分别乘以池化完成的结果，得到最终的分类结[繁体：結]果比如前边所说的0~9的手写字体，要分10个类别，如果池（拼音：chí）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【读：zuì】重要的就是要求W开云体育，也就是最前边说的，根据大数据找规律。
澳门新葡京第三步：参数更新xīn
那(拼音：nà)么还有问题，W是多少谁知道？
没[拼音：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点，而是(shì)对损失函数求导数，调整[pinyin：zhěng]W，使得差值沿着导数的方向前（pinyin：qián）进，最终达到极小值点。
这时候{练：hòu}得到的W就是我们最终要的结果了。
第四步《pinyin：bù》：利用参数
既然得到了W，我们就可以利用这个W，将一个未（拼音：wèi）知结果的x输入，从而得[拼音：dé]到通过(guò)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(dà)著名公司《pinyin：sī》封装好的函数（已经造好(拼音：hǎo)的轮子），
以下是一个卷(繁：捲)积神经网络识别MNIST的小例{pinyin：lì}子（基于google深度学习框架TensorFlow）：
只是经过了21次的参数更新，最终（繁：終）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
第0次迭代，测试集《jí》准确率是0.7688
第1次迭代，测试集准《繁：準》确率是0.7831
第2次迭(dié)代，测试集准确率是0.8829
第3次（cì）迭代，测试集准确率是0.8883
第4次迭代，测试集准（读：zhǔn）确率是0.889
第5次迭代，测试集准确率《拼音：lǜ》是0.8919
第6次迭代，测[繁体：測]试集准确率是0.8908
第7次（拼音：cì）迭代，测试集准确率是0.893
第8次迭代（dài），测试集准确率是0.894
第9次迭代，测试集jí 准确率是0.8949
第10次迭代，测[繁体：測]试集准确率是0.8927
第11次迭代，测试集准确[繁：確]率是0.8935
第12次迭代，测试集准{练：zhǔn}确率是0.8948
第13次迭代{dài}，测试集准确率是0.9873
第14次迭代，测试集准确率《练：lǜ》是0.9881
第15次迭代，测【练：cè】试集准确率是0.9864
第16次《pinyin：cì》迭代，测试集准确率是0.9885
第17次迭【pinyin：dié】代，测试集准确率是0.9906
第18次迭代，测试集准[拼音：zhǔn]确率是0.9876
第19次迭代，测试集准确(拼音：què)率是0.9884
第20次迭代，测试集准确率[练：lǜ]是0.9902
本文链接：http://10.21taiyang.com/Scooters/604056.html
百度人脸{繁：臉}搜索转载请注明出处来源
