计算机视觉简介

最新推荐文章于 2022-06-22 08:13:40 发布

XiaoGShou

最新推荐文章于 2022-06-22 08:13:40 发布

阅读量449

点赞数

分类专栏： # 八斗

本文链接：https://blog.csdn.net/XiaoGShou/article/details/117549204

版权

八斗专栏收录该内容

6 篇文章 0 订阅

订阅专栏

一：什么是人工智能

（1）：初探人工智能

1：什么是人工智能？

人工智能是通过机器来模拟人类认知能力的技术。

人工智能设计比较广，瀚海了感知、学习、推理与决策等方面的能力。从实际应用的角度来说，人工智能最核心的就是根据给定的输入做出判断或预测。

这张图需要记住：1955年达特茅斯会议标志着AI的诞生，面试时可能会问

2：人工智能的三次浪潮

（2）：人工智能的三大核心要素

数据

算法：给计算机一个任务，不仅要告诉他做什么，还需要告诉他怎么做，怎么做就是算法

传统算法 -- 遍历法；更聪明的算法 -- 梯度下降法；复杂算法 -- 机器学习

算力：

（3）：人工智能关系圈

下面这张图可以概述人工智能的关系了

1：什么是机器学习

人工智能是通过机器来模拟人类认知能力的技术

·传统人工智能方法：逻辑推理、专家系统（基于人工定义的规则来回答问题）

·当代的人工智能普遍通过学习来获得进行预测和判断的能力 -- 机器学习

决策树模型（比较简单的机器学习模型）

典型的机器学习过程，如下图

2：什么是神经网络

全连接模式：上一层的神经元和下一层的神经元都要连接；

每一个圆圈都是一个神经元

3：什么是深度学习

深度神经网络&深度学习

·传统的神经网络发展到了多隐藏层的情况

·具有多个隐藏层的神经网络被称为深度神经网络，基于神经网络的机器学习研究称之为深度学习

最左边的是输入层，中间的三个是隐藏层，最右边的是输出层，每一层之间都采用的全连接

4：什么是人工智能

二：计算机视觉

1：什么是机器视觉

让计算机拥有人能所见、人能所识、人能所思的能力，就可以称计算机拥有视觉，即计算机视觉

2：卷积神经网络

①：线性整流层 -- RELU

relu函数的计算是在卷积之后进行的，因此他与tanh函数和sigmoid函数一样，同属于非线性激活函数。Relu函数的倒数在正数部分是恒等于1的，因此在深度网络中使用relu激活函数就不会导致梯度消失和爆炸的问题；并且，relu函数计算速度快，加快了网络的训练；但是。如果梯度过大，导致很多负数，由于负数部分的值为0，这些神经元无法激活（可通过设置较小学习率来解决）。

总结：当激活值的均值非0时，就会对下一层造成一个bias，如果激活值之间不会相互抵消（即均值非0），会导致下一层的激活单元有bias shift。如此叠加，单元越多时，bias shift就会越大。除了ReLU，其他激活函数都将输出的平均值接近0，从而加快模型收敛，类似于Batch，Normalization的效果，但是计算复杂度更低。虽然LeakRelu和PReLU都有负值，但是他们不保证在不激活状态下（就是在输入为负的状态下）对噪声鲁棒。反观RELU在输入取较小值时具有软饱和的特性，特生了对噪声的鲁棒。

上面几种函数的代码：

import matplotlib.pyplot as plt
import numpy as np
import seaborn as sns
%matplotlib inline
sns.set(style="darkgrid")

fig = plt.figure(figsize=(12,6))

plt.xlim([-10, 10]);
plt.ylim([-1, 1.6]);

# 定义数值
x = np.sort(np.linspace(-10,10,1000))

# ReLu 函数
relu= [max(item,0) for item in x]

# LeakReLu函数
alpha = 0.1
leakRelu = [item if item>0 else item*alpha for item in x]

# PReLu函数
alpha = 0.1 # 可以学习的参数
leakRelu = [item if item>0 else item*alpha for item in x]

# ELU函数
alpha = 0.2
elu = [item if item>0 else (np.exp(item)-1)*alpha for item in x]

# SELU函数
alpha = 1
r = 0.5
selu = [item if item>0 else (np.exp(item)-1)*alpha for item in x]
selu = list(map(lambda x:x*r,selu))

# 绘图
plt.plot(x,relu,color="#ff0000", label = r"ReLu", marker='*')
plt.plot(x,leakRelu,color="#0000ff", label = r"LeakReLu")
plt.plot(x,elu,color="#00ff00", label = r"ELU")
plt.plot(x,selu,color="#00ffee", label = r"SELU")

plt.legend(prop={'family' : 'Times New Roman', 'size'   : 16})
plt.show()

参考文献：参考1

更多详细内容可参考：参考2 参考3 参考4