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(繁体：識)别：
这里面的大数据就是已知的输入（图片）和已知【pinyin：zhī】的结果（图片的标签），抽取规律也就[pinyin：jiù]是相（练：xiāng）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）。
可以分为以下几步bù ：
第一步：数（读：shù）据的预处理。
图片是由一个一个的像素组成的de ，就拿入门[繁体：門]的案例说吧，MNIST数据集，是一个手写数字的数据集，每一张图片都是shì 由28×28个像素点形成的。
就像（pinyin：xiàng）这样：
总共有60000张这样的图片，而图片的标签（也就是结《繁：結》果）也是已知的（0~9），那么设输入（拼音：rù）为x输[繁体：輸]出为y，
计算机是无法读懂图片的，所以我们要将图片转【pinyin：zhuǎn】换[繁体：換]成计算机所能认识的东东。
矩（读：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（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《繁体：這》里的x是28×28×1，这个1表示的是单通道《练：dào》，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(练：yī)个数字，0~9。
有些算法还会降x，y进【pinyin：jìn】行归一化，也就是转换为0~1之间的矩阵、数字。
第二步：抽[练：chōu]取特征。
卷[繁体：捲]积（特征提取）的具体计算方法：
其【pinyin：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[pinyin：de]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：
w0与x蓝色区域（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《繁体：層》 = 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【繁：絡】得分函数：f（x，w） = wx b
这里《繁亚博体育：裏》的b =1
那么输【pinyin：shū】出的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的【pinyin：de】矩阵第1行，第1列，就是3
将卷积核在输入矩阵滑动，
同理(读：lǐ)可以计算
这里的输出[繁体：齣]叫做特征图。
这里就可以看出，经过(繁：過)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，用一些非线性的函数将线性结果非线[繁体：線]性化（叫做激活函数），这层叫作卷积层。
这里只(繁：祇)是一层，大型数据集（输入很多的情况）一层是不够的，需要很hěn 多层，输入-卷积-输出-卷积-输出........。
比如VGG-16，就有16个卷积层(繁：層)。
进一步浓缩{繁体：縮}叫做池化层。
同样有一个filter，将特征图进行【拼音：xíng】MAX（取[读：qǔ]最大值）或者MEAN（取均值），进一步浓缩特征。
浓缩完《读：wán》特征之后，接着后面的层叫做全连接层。
就是将权重参（繁体：蔘）数W（矩阵），分别乘(拼音：chéng)以池化完成的结果，得到最终的(拼音：de)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的矩阵，就是分类0~9的结果。
以上最重要的就是要求W，也【pinyin：yě】就是最前边说的，根据大数据找规律。
第三步【世界杯拼音：bù】：参数更新
那么还有问题，W是多少谁知道【dào】？
没人知道，这里是根据计算机《繁：機》一步一步的试出来的，
先随机的(练：de)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shí 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（繁：測）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，而是对损失函数求导数，调整W，使得差值沿着【练：zhe】导数的方向前进，最终达到[拼音：dào]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。
第四步：利lì 用参数
既然得（练：dé）到了W，我们就可以利用这个W，将(拼音：jiāng)一个未知结《繁：結》果的x输入，从而得到通过W计算出的y，这个y就是图片识别的结果。
现[繁：現]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（已经造好的轮子），
以下是一个卷积神经网络识别MNIST的小例子（基于google深（shēn）度（dù）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99%以《yǐ》上。
输出《繁：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，测试集准确率(lǜ)是0.7688
第1次迭代，测直播吧试集{pinyin：jí}准确率是0.7831
第2次迭代，测开云体育试集准确率lǜ 是0.8829
第3次迭代，测{pinyin：cè}试集准确率是0.8883
第4次迭代，测试集准确率是[拼音：shì]0.889
第5次cì 迭代，测试集准确率是0.8919
第6次迭代，测试集准确率是[练：shì]0.8908
第7次迭代，测试集准确率《读：lǜ》是0.893
第8次迭代，测(拼音：cè)试集准确率是0.894
第9次迭(pinyin：dié)代，测试集准确率是0.8949
第10次迭代，测试集准确率lǜ 是0.8927
第11次迭代，测试集（读：jí）准确率是0.8935
第12次迭代，测试澳门银河集准《繁：準》确率是0.8948
第13次迭代{练：dài}，测试集准确率是0.9873
第14次迭【拼音：dié】代，测试集准确率是0.9881
第15次迭代，测试集准确率是【练：shì】0.9864
第16次迭代，测试(拼音：shì)集准确率是0.9885
第17次迭代[读：dài]，测试集准确率是0.9906
第18次迭代，测（繁：測）试集准确率是0.9876
第19次迭代，测试集准（繁体：準）确率是0.9884
第20次迭代，测试集准确《繁：確》率是0.9902
本文链接：http://21taiyang.com/Open-SourceComputers/604056.html
百度人脸搜[繁：蒐]索转载请注明出处来源
