初学者指南：图像辨认和深度学习

图像辨认和深度学习的基础知识

看起来很多最新的技术创新都依赖于图像辨认，这是正确的。近年来，智能手机中的面部辨认技术，自动驾驶汽车的自动形式以及成像技术获得了长足的提高。他们都运用可以了解后方物体的处理方案 - 因此它通常被称为“计算机视觉”。这些计算机可以根据他们“看到”的内容做出准确的决策。

它是如何做到的呢？在本文中，我们将提供有关图像辨认如何工作的高级解释，以及为其提供支持的深度学习技术。以下是针对那些没有高级工程背景的人（网上有大量深化的信息），但照旧对图像辨认技术感兴味。

深度学习和神经网络：随着工夫变得更聪明的算法

图像辨认中的许多古代创新都依赖于深度学习技术，一种先进的机器学习类型，以及人工智能的古代奇观。典型的机器学习接收数据，推进算法，然后停止预测; 这给人的印象是计算机正在“思索”并得出本人的结论。深度学习的不同之处在于，假如有足够的工夫，它可以确定结论能否正确。

这对于图像辨认非常重要，由于您需求像自动驾驶汽车这样的东西来区分路标和行人。深度学习技术的工作原理是神经网络。

神经网络运用彼此相邻的算法。这使得每种算法都取决于其他周围算法的结果。这创建了一个过程，试图模拟我们用作人类的逻辑推理（以及我们称之为“人工智能”的缘由）。对于图像辨认，运用的神经网络类型称为卷积神经网络。

卷积神经网络：将图像分解为数字

当我们看到某些东西时，我们的大脑经过标记，预测和辨认特定形式来了解它，运用卷积神经网络（CNN）的计算机以相似的方式处理信息，但它经过运用数字来处理。在我们经过视觉感知（与我们的其他感官一同）辨认形式的地方，CNN经过将图像分解为数字来完成。

CNN的外部工作显然远比数字形式更复杂和技术性，但重要的是要知道卷积是什么：产生第三个函数的两个函数的组合。运用卷积的神经网络合并多组信息，将它们汇集在一同​​以创建图像的准确表示。在汇集之后，图像在许多数据中被描画，神经网络可以运用这些数据来预测它是什么。然后，计算机可以将该预测运用于其他运用程序，例如解锁手机。

假如预测准确，神经网络将随着工夫的推移而学习。与其他任何东西一样，计算机需求停止大量培训才能使其预测正确; 他们不会自动知道如何对理想世界中调用的对象停止分类。

图像数据集：将阅历运用于更具应战性的案例

许多人不了解人工智能的东西是人类在制造所谓的数据集方面做了多少工作。这就是深度学习模型的培训方式：它实际根据数据集中的信息停止预测，并在实践状况中运用该阅历。图像辨认是人工智能开发和广泛运用的一种方式，部分缘由在于数据集的开发方式。图像辨认的一个值得留意的例子是ImageNet，它是人工智能首批广泛运用的图像数据库之一。

ImageNet项目的记了320万张图像，并促使研讨人员开发本人的算法模型。这些标记图像创建了一个AI模型可以练习的数据集，辨认复杂程度越来越高的图像并应用更高级的卷积。最终，ImageNet被AlexNet所采用，后者应用了一种至今仍在运用的深度卷积神经网络架构。

为了使AI运用程序可以处理如此大量的信息并在深度学习模型中有效地运用它，它需求一些非常有效的处理才能。

呵呵，低调，低调！

愣着干嘛，鼓掌啊

我只是路过，不发表意见