人工智能图像识别基础（机器学习篇）

一、机器训练学习方式条件

1、典型训练过程

（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。

2、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）

数据（data）

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。

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。

拥有越多数据的时候，工作就越容易。更多的数据可以被用来训练出更强大的模型，从而减少对预先设想假设的依赖。仅仅拥有海量的数据是不够的，还需要正确的数据。

模型（model）

任一调整参数后的程序被称为模型。 这些模型由神经⽹络错综复杂的交织在一起，包含层层数据转换，因此被称为深度学习。

目标函数（objective function）

“学习”，是指自主提高模型完成某些任务的效能。 在机器学习中，我们需要定义模型的优劣程度的度量，这个度量在大多数情况是“可优化”的，这被称之为目标函数。

• 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，可以通过最⼩化总损失来学习模型参数的最佳值。

算法（algorithm）

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） 在每个步骤中，梯度下降法都会检查每个参数，看看如果仅对该参数进行少量变动，训练集损失会朝哪个方向移动。然后，它在可以减少损失的方向上优化参数。

二、机器学习

机器学习（machine learning，ML）是一类强大的可以从经验中学习的技术。通常采用观测数据或与环境交互的形式，机器学习算法会积累更多的经验，其性能也会逐步提高。

监督学习（supervised learning）

监督学习擅⻓在“给定输⼊特征”的情况下预测标签。每个“特征-标签”对都称为一个样本（example）。我们的目标是生成一个模型，能够将任何输⼊特征映射到标签（即预测）。

• 回归——平方误差损失函数（最简单的监督学习任务之一。例如：房价预测）
• 分类——交叉熵（样本属于“哪一类”的问题。分类问题希望模型能够预测样本属于哪个类别）回归是训练一个回归函数来输出一个数值；分类是训练一个分类器来输出预测的类别。
• 标注问题（学习预测不相互排斥的类别的问题称为多标签分类（multi-label classification）。例如：抖音、快手、多目标检测）
• 推荐系统（向特定用户进行“个性化”推荐。例如：电影推荐）
• 序列问题（输入和输出都是可变长度的序列。例如：自动语音识别、机器翻译）

无监督学习（unsupervised learning）

数据中不含有标签的机器学习问题。

• 聚类问题
• 主成分分析问题
• 因果关系和概率图模型
• 生成对抗网络

1、离线学习（offline learning）

不管是监督学习还是无监督学习，都会预先获取大量数据，然后启动模型，不再与环境交互。

• 优点：可以孤⽴地进行模式识别，而不必分心于其他问题。
• 缺点：解决的问题相当有限。

2、在线学习（Online learning）（或强化学习）

智能体在一系列的时间步骤上与环境交互。在每个特定时间点，智能体从环境接收一些观察，并且必须选择一个动作，然后通过某种机制（有时称为执行器）将其传输回环境，最后智能体从环境中获得奖励。此后新一轮循环开始，智能体接收后续观察，并选择后续操作，依此类推。

三、机器学习成功案例

21世纪带来了高速互联网，智能手机摄像头、视频游戏等照片共享网站。数据池正在被填满。 廉价又高质量的传感器、廉价的数据存储以及廉价计算的普及，特别是GPU的普及，使大规模的算力唾手可得。

• 图像分类
• 图像目标检测和分割
• 人脸合成
• 机器翻译
• 图像描述
• 自然语言文本合成