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《繁：經》网络），预测、分类、聚类就是得到图片的结[繁：結]果（图片识别）。
可以分为以下《练：xià》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，是一个手写数字的数据集，每一张[繁体：張]图片都是由28×28个像《xiàng》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（也就是结果）也是【pinyin：shì】已知的（0~9），那么设输入为x输出chū 为y，
计算机是无法《拼音：fǎ》读懂图片的，所《pinyin：suǒ》以我们要将图片转换成计算机所能认识《繁：識》的东东。
矩【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（读：gèng）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（繁体：麼）就应该是28×28×3，这个3表《繁：錶》示的是RGB三个颜色通道。
y就直播吧jiù 是一个数字，0~9。
有些算法还会降x，y进行归一化，也就是转换[繁体：換]为0~1之间的矩阵、数字。
第二步【练：bù】：抽取特征。
卷积（特征提取）的具《jù》体计算方法：
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(繁：個)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《pinyin：fǎ》：
w0与x蓝色区《繁：區》域做内积（对应位置相乘后相加）：
f1第1层【练：céng】 = 0×1 0×1 0×1 0×-1 1×-1 1×0 0×-1 1×1 1×0 = 0
世界杯f1第2层[céng] = 0×-1 0×-1 0×1 0×-1 0×1 1×0 0×-1 2×1 2×0 = 2
f1第3层 = 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数[繁体：數]：f（x，w） = wx b
这里（繁体：裏）的b =1
那么输出（繁体：齣）的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色的矩阵第1行，第1列，就是3
将卷积核在输入矩阵滑{练：huá}动，
同理（练：lǐ）可以计算
这里的输出叫做特征《繁体：徵》图。
这里就[拼音：jiù]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（练：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dà 型数据集（输[繁体：輸]入很(pinyin：hěn)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（拼音：rú）VGG-16，就有16个卷积层。
进一《练：yī》步浓缩叫做池化层。
同样有一个(繁：個)filter，将特征图进行MAX（取最大值）或者MEAN（取均值），进一《拼音：yī》步浓缩特征。
浓缩完特征之后，接（jiē）着后面的层叫做全连接层。
就是将权重{拼音：zhòng}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[练：de]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zuì 重要的就是要求W，也就是最前边说的澳门金沙，根据大数据找规律。
第三步(pinyin：bù)：参数更新
那么还有问《繁：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的试[繁体：試]出来的，
先随机的给出一组W，算出结果Y1，利(pinyin：lì)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【练：shí】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《pinyin：kě》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[练：hé]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(qiú)导数，调整W，使得差值沿着导数的方向前进，最终（繁体：終）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：利用参数《繁：數》
既然【练：rán】得[练：dé]到了W，我们就可以利用[pinyin：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就是图片识别的结果。
现在有很多的《拼音：de》开源深度学习框架，是各大著名公司封装好的函数（已经造好[拼音：hǎo]的轮子），
以下是一个卷《繁体：捲》积神经网络识别MNIST的小例子（读：zi）（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99%以上[拼音：shàng]。
输(繁开云体育体：輸)出结果：
Extracting MNIST_data/train-images-idx3-ubyte.gz
Extracting MNIST_data/train-labels-idx1-ubyte.gz
Extracting MNIST_data/t10k-images-idx3-ubyte.gz
第0次迭代，测试集准确率(拼音：lǜ)是0.7688
第1次迭代，测试集准zhǔn 确率是0.7831
第2次迭代，测试集准确(繁：確)率是0.8829
第3次迭[dié]代，测试集准确率是0.8883
第4次迭代，测试集{读：jí}准确率是0.889
第5次迭代，测试集准确[繁：確]率是0.8919
第6次迭代，测试集准[繁：準]确率是0.8908
第7次迭代，测试集（jí）准确率是0.893
第8次迭代，测试集准确率[练：lǜ]是0.894
第9次迭代，测试集准确[què]率是0.8949
第10次迭代，测{pinyin：cè}试集准确率是0.8927
第11次迭代，测试集准确率是[shì]0.8935
第12次迭代，测《繁：測》试集准确率是0.8948
第13次迭代，测试集(pinyin：jí)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，测试集准确率（拼音：lǜ）是0.9864
第16次迭代，测试集准确率【lǜ】是0.9885
第17次迭代，测试集准确[拼音：què]率是0.9906
第18次迭代，测试集（读：jí）准确率是0.9876
第19次迭代，测试集《读：jí》准确率是0.9884
第20次迭代，测（繁：測）试集准确率是0.9902
本文链接：http://21taiyang.com/SoccerSports/1845772.html
迪dí 士尼票能转手吗转载请注明出处来源
