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入（图片）和{拼音：hé}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(拼音：yù)测、分类、聚类就是得到图片的《读：de》结果（图片识别）。
可以分为以{yǐ}下几步：
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【练：gè】手写【pinyin：xiě】数字的数据集，每一张图片都是由28×28个像素点形成的。
就(拼音：jiù)像这样：
总共有《练：yǒu》60000张这样的图片，而图片的标签（也就是shì 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【读：澳门永利yào】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【练：yī】个点表示图片中相应位置的灰度。有的神经网络为了更简《繁体：簡》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【拼音：piàn】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《拼直播吧音：jiù》是一个数字，0~9。
有些【拼音：xiē】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、数字。
第二步《pinyin：bù》：抽取特征。
卷积（特征提取qǔ ）的具体计算方法：
其中input为输（繁体：輸）入，filter叫做卷积核（暂且理解为滤波器），output叫做特（tè）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，那么可以设中间的参数是W，于《繁：於》是就有Wx b = output。这里的W是我们最终要训练出来的。
计[繁体：計]算方法：
w0极速赛车/北京赛车与x蓝色区域做内积（对应位置相乘后相加(读：jiā)）：
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 = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
开云体育f1第3层(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《读：fēn》函数：f（x，w） = wx b
这（读：zhè）里的b =1
那{pinyin：nà}么输出的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的矩阵第1行，第1列，就是3
将卷积核在输入矩（繁：榘）阵滑动，
同理可以【练：yǐ】计算
这(繁：這)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[繁：將]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，大型数据集jí （输入很多的情况）一层是不够（繁：夠）的，需要很多层，输入-卷积-输出-卷积-输出........。
比如VGG-16，就有[pinyin：yǒu]16个卷积层。
进一步浓《繁体：濃》缩叫做池化层。
同样有一个filter，将特征图进行MAX（取（练：qǔ）最大值）或者MEAN（取均(jūn)值），进一步浓缩特征。
浓{练：nóng}缩完特征之后，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，得到最终的分类结果比如【练：rú】前边所说的0~9的手写字体，要分10个类别，如果池化完成的结果是1×64，那么全连(拼音：lián)接层就应该是64×10，最{拼音：zuì}终得到1×10的矩阵，就是分类0~9的结果。
以（读：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：参数《繁体：數》更新
那么还有问[繁体：問]题，W是多少谁知道？
没人知道，这里是根据计算机一步一步【pinyin：bù】的试出来的，
先随机（繁体：機）的给出一组W，算出结果Y1，利用已知的x当做输《繁体：輸》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《繁：爲》，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（shī）函数最小呢？这里[繁：裏]并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【繁体：結】果了。
第四{读：sì}步：利用参数
既然得到了W，我们就可以利用这个W，将一(yī)个未知结果{guǒ}的x输入，从而得到通过W计算出的y，这个y就是图片识别的结{繁：結}果。
现在有很多的开源深度（读：dù）学习框（kuāng）架，是各大著名公司封装好的函数（已经造好的轮子），
以下(pinyin：xià)是一个（繁：個）卷积神经网络识（繁体：識）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[zài]99%以上。
输出《繁体：齣》结果：
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（繁体：準）确率是0.7688
第1次迭代，测{练：cè}试集准确率是0.7831
第2次迭代《拼音：dài》，测试集准确率是0.8829
第3次迭代，测试集准(zhǔn)确率是0.8883
第4次迭代，测试集(pinyin：jí)准确率是0.889
第5次迭代，测《繁体：測》试集准确率是0.8919
第6次迭代，测试集准确《繁体：確》率是0.8908
第7次【读：cì】迭代，测试集准确率是0.893
第8次迭代，测试(繁体：試)集准确率是0.894
第9次迭代（读：dài），测试集准确率是0.8949
第10次迭《练：dié》代，测试集准确率是0.8927
第11次迭代，测试（繁体：試）集准确率是0.8935
第12次迭代，测澳门巴黎人试(繁：試)集准确率是0.8948
第13次《读：cì》迭代，测试集准确率是0.9873
第14次cì 迭代，测试集准确率是0.9881
第15次迭代[拼音：dài]，测试集准确率是0.9864
第16次迭《pinyin：dié》代，测试集准确率是0.9885
第17次迭代，测试集（拼音：jí）准确率是0.9906
第18次【拼音：cì】迭代，测试集准确率是0.9876
第19次迭代，测试集准确率是(拼音：shì)0.9884
第20次迭《读：dié》代，测试集准确率是0.9902
本文链接：http://10.21taiyang.com/Shooter-GamesGames/604056.html
百度人《读：rén》脸搜索转载请注明出处来源
