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{shì}已知的de 输入（图片）和已【pinyin：yǐ】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《拼音：yǐ》分为以下几步：
第一步：数据的预处理[练：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数据集，是《读：shì》一个手写数(繁：數)字的数据集，每一张图片都是由28×28个[繁：個]像素点形成的。
就像(xiàng)这样：
总共有60000张这样的图片，而图片的标签（也就是（读：shì）结果）也是已知的（0~9），那《读：nà》么设输《繁：輸》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（拼音：chéng）计算机所[练：suǒ]能认识的东东。
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（读：xiāng）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【tōng】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(读：shì)RGB三个颜色通道。
y就是一个数字【pinyin：zì】，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。
第二步：抽（pinyin：chōu）取特征。
卷积（特征提取）的(pinyin：de)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）。既然是矩阵，那么可以【拼音：yǐ】设中间的参数是W，于是(pinyin：shì)就有Wx b = output。这里的W是我们最终要训练出（繁：齣）来的。
计算方fāng 法：
w0与x蓝色区域【拼音：yù】做内积（对应位置相乘后相加）：
f1第1层《繁：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[繁：層] = 0×1 0×0 0×-1 0×0 2×0 2×0 0×1 0×-1 0×-1 = 0
那(拼音：nà)么根据神经网络得分函数：f（x，w） = wx b
这(繁：這)里的b =1
那么输出的得dé 分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边biān 绿色的矩阵第1行，第1列，就是3
将卷（繁体：捲）积核在输入矩阵滑动，
同理可以计[繁体：計]算
这里的《练：de》输出叫做特征图。
这里就可以看出，经过卷积核Filter（滤波器），将图片浓缩了，浓缩之后，再进行一次非线性的处理，用一些非【拼音：fēi】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(pinyin：jiù)有16个卷积层。
进一步{pinyin：bù}浓缩叫做池化层。
同样有一个filter，将{pinyin：jiāng}特征图进行MAX（取qǔ 最大值）或者MEAN（取均（拼音：jūn）值），进一步浓缩特征。
浓缩完特征之后，接着后面的层叫做{练：zuò}全连接层。
就{jiù}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jǔ 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（练：de），根据大数据找规律。
第三步：参数更（拼音：gèng）新
那么还有问题，W是多少（拼音：shǎo）谁知道？
没（读：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【读：hán】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{yǐ}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[练：nà]么如何让损失函数最小呢？这里并不是《读：shì》求导后求极值点，而是对损失函数求导数，调整W，使得差值沿着导数的方向《繁：嚮》前进，最终达到极小值点。
这时候得到的W就jiù 是我们最终要的结果了。
第四步：利用《拼音：yòng》参数
既然得到了W，我们就可以利用这个W，将一个未知(zhī)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[繁：識]别的结果。
现在有很多的开源深度学习框架，是各大{dà}著名公司封装好的函数（已经【繁：經】造好的轮子），
以下是[练：shì]一个卷积（繁体：積）神经网《繁：網》络识别MNIST的小例子（基于google深度学习框架TensorFlow）：
只是经过了21次的参数更新，最终的识别准确率在（读：zài）99%以上。
输出(繁体：齣)结果：
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（拼音：dié）代，测试集准确率是0.7688
第1次迭世界杯代，测试《繁：試》集准确率是0.7831
第2次迭澳门新葡京代，测试[繁：試]集准确率是0.8829
第3次迭代，测试集准确率是《练：shì》0.8883
第4次迭代，测试集准确率是{pinyin：shì}0.889
第5次迭代，测试集准确【练：què】率是0.8919
第6次迭幸运飞艇{dié}代，测试集准确率是0.8908
第7次迭澳门银河（dié）代，测试集准确率是0.893
第8次迭代，测(拼音：cè)试集准确率是0.894
第9次迭代【dài】，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【pinyin：cì】迭代，测试集准确率是0.8935
第12次迭代，测试集{pinyin：jí}准确率是0.8948
第13次迭代，测试集[练：jí]准确率是0.9873
第14次迭代，测试集准[繁：準]确率是0.9881
第15次迭代，测试集jí 准确率是0.9864
第16次迭代，测试集准确率是（shì）0.9885
第17次迭代，测(cè)试集准确率是0.9906
第18次迭代，测试集准[繁体：準]确率是0.9876
第19次迭代，测试集准确率[拼音：lǜ]是0.9884
第20次迭代，测试集准确（繁：確）率是0.9902
本文链接：http://10.21taiyang.com/Shooter-GamesGames/21162976.html
人工智能与（繁体：與）模式识别相关内容转载请注明出处来源