图像识别技术与应用

 

人工智能：

用人工的方法在机器（计算机）上实现的智能；或者说是人们使机器具有类似于人的智能。
人工智能学科：

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学。

日常生活中的人工智能：

比如指纹、人脸识别解锁，人脸支付，商品推荐，智能物流，仓储机器人，短视频推荐，搜索排列，新闻推荐，智能助手，智能语音，图像编辑，智能美图等。

日常中的机械学习：

语音助手：像苹果的Siri、小米的小爱同学等语音助手，运用机器学习技术理解用户的语音指令。通过对大量语音数据的学习，语音助手能够识别不同的语音模式、口音和语言习惯，准确理解用户的需求并提供相应的服务，如设置提醒、查询信息、控制智能家居设备等。

训练过程：

1. 从一个随机初始化参数的模型开始，这个模型基本没有“智能”；
2. 获取一些数据样本（例如，音频片段以及对应的是或否标签）；
3. 调整参数，使模型在这些样本中表现得更好；
4. 重复第2步和第3步，直到模型在任务中的表现令⼈满意。

 

机器学习中的关键组件
无论什么类型的机器学习问题，都会遇到这些组件：
1. 可以用来学习的数据（data）；
2. 如何转换数据的模型（model）；
3. ⼀个目标函数（objective function），用来量化模型的有效性；
4. 调整模型参数以优化目标函数的算法（algorithm）

每个数据集由一个个样本组成，大多时候，它们遵循独立同分布。样本有时也叫做数据点或者数据实例，通常每个样本由一组称为特征（features，或协变量（covariates））的属性组成。

 

数据：
当处理图像数据时，每一张单独的照片即为一个样本，它的特征由每个像素数值的有序列表示。

目标函数
定义一个目标函数，并优化它到最小值——损失函数。
预测数值任务——平方误差：预测值与实际值之差的平方。
预测分类任务——最⼩化错误率：预测与实际情况不符的样本⽐例。
损失函数是根据模型参数定义的，并取决于数据集。在一个数据集上，我们可以通过最⼩化总损失来学习模型参数的最佳值。

 

优化算法
当我们获得了一些数据源及其表示、一个模型和一个合适的损失函数，接下来就需要一种算法，它能够搜索出最佳参数，以最⼩化损失函数。深度学习中，大多流行的优化算法通常基于一种基本方法——梯度下降（gradient descent）