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{pinyin：dān}说图片识别：
这里面的大数据就是已知的输入（图片piàn ）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【繁：網】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[读：yǐ]下几步：
第一步：数据的预(繁：預)处理。
图片是由一个一个的像素组成的，就jiù 拿入门【mén】的案例说吧，MNIST数据集，是一个手写数字的数据集，每一张图片都是由28×28个像素点形成的。
就（拼音：jiù）像这样：
总共（练：gòng）有60000张这样的图片，而图片的标签（也就是【pinyin：shì】结果）也是已知的（0~9），那么设输入为x输出为y，
计算机[拼音：jī]是无[繁体：無]法读懂图片的，所以我们要将【pinyin：jiāng】图片转换成计算机所能认识的东东。
矩(拼音：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化的计算，将28×28 的{de}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：麼)就应该是28×28×3，这个3表示的是RGB三个颜色通道。
y就是一个数字【读：zì】，0~9。
有些算法还会降x，y进行归一[yī]化，也就是转换为0~1之间的矩阵、数字。
第二èr 步：抽取特征。
卷积（特征【练：zhēng】提取）的具体计算方法：
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{pinyin：nà}么可以设中间的参数是W，于是就有Wx b = output。这里（繁：裏）的W是我们最终要【练：yào】训练出来的。
计算方法[拼音：fǎ]：
w0与x蓝色区域做内积（对《繁体：對》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第幸运飞艇2层(繁：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
那么（繁体：麼）根据神经网络得分函数：f（x，w） = wx b
这zhè 里的b =1
那么输出【pinyin：chū】的得分值就为f1 f2 f3 b = 0 2 0 1 =3
最右边绿色开云体育的矩阵第1行，第1列，就是（pinyin：shì）3
将卷积核在输入矩阵滑动[繁：動]，
同理可(pinyin：kě)以计算
这里的输出叫【练：jiào】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(繁体：層)。
这里只是一层，大型数据集（输入很多的情况）一层是不够【pinyin：gòu】的，需要很多[练：duō]层，输入-卷积-输出-卷积-输出........。
比(pinyin：bǐ)如VGG-16，就有16个卷积层。
进一步浓缩(繁：縮)叫做池化层。
同样有一个filter，将特征(拼音：zhēng)图进行MAX（取最大值）或（读：huò）者MEAN（取均值），进一步浓缩特征。
浓缩[繁体：縮]完特征之后，接着后面的层叫做全连接层。
就是将权重参(拼音：cān)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(繁：體)，要分10个类别，如果池化完成的结果是1×64，那【练：nà】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，也就是最前边说的de ，根据大数据找规律。
第三步：参数(繁：數)更新
那么还澳门博彩有【pinyin：yǒu】问题，W是多少谁知道？
没人知道，这（繁体：這）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[繁体：數]最小呢？这里并不是《pinyin：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前进，最终达到极小值点。
这时候得到的[piny澳门伦敦人in：de]W就是我们最终要的结果了。
第四步{bù}：利用参数
既然得到了W，我们就可以利用这个W，将一个未知结果的x输入，从（繁：從）而得《dé》到通过W计算出的y，这个y就是图片识别[繁：彆]的结果。
现《繁体：現》在有很多的开源深度学习框架，是[练：shì]各大著名公司封装好的函数（已经造好的轮子【读：zi】），
以yǐ 下是一yī 个卷积神经网络识别MNIST的小(拼音：xiǎo)例子（基于google深度学习框架TensorFlow）：
只是经过【练：guò】了21次的参数更新，最终的识别准确率在99%以上。
输出结果{guǒ}：
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《繁体：試》集准确率是0.7688
第1次澳门威尼斯人迭代，测试集准确{练：què}率是0.7831
第2次迭代，测试集准确[拼音：què]率是0.8829
第3次迭代，测试集准[繁：準]确率是0.8883
第4次（拼音：cì）迭代，测试集准确率是0.889
第5次迭代，测《繁：測》试集准确率是0.8919
第6次迭代，测试集准（繁体：準）确率是0.8908
第7次迭代，测试（繁：試）集准确率是0.893
第8次[拼音：cì]迭代，测试集准确率是0.894
第9次迭代，测试集准确《繁：確》率是0.8949
第10次迭代[读：dài]，测试集准确率是0.8927
第11次迭代，测试【shì】集准确率是0.8935
第12次迭代，测(繁体：測)试集准确率是0.8948
第13次迭代[拼音：dài]，测试集准确率是0.9873
第14次(读：cì)迭代，测试集准确率是0.9881
第15次迭代，测试集准（读：zhǔn）确率是0.9864
第16次迭代，测试集准确（繁：確）率是0.9885
第17次迭代，测试集《pinyin：jí》准确率是0.9906
第18次迭代，测试集准确率{拼音：lǜ}是0.9876
第19次迭代，测试(繁：試)集准确率是0.9884
第20次迭代【读：dài】，测试集准确率是0.9902
本文链接：http://21taiyang.com/SoccerSports/604056.html
百度人脸{繁体：臉}搜索转载请注明出处来源
