柚子快報激活碼778899分享：人工智能 深度學(xué)習(xí)簡介

http://yzkb.51969.com/

一、深度學(xué)習(xí)簡介

深度學(xué)習(xí)是一種基于神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方法。和傳統(tǒng)的機器學(xué)習(xí)方法相比，深度學(xué)習(xí)模型一般需要更豐富的數(shù)據(jù)、更強大的計算資源，同時也能達到更高的準(zhǔn)確率。目前，深度學(xué)習(xí)方法被廣泛應(yīng)用于計算機視覺、自然語言處理、強化學(xué)習(xí)等領(lǐng)域。深度學(xué)習(xí)的目標(biāo)：學(xué)習(xí)樣本數(shù)據(jù)的內(nèi)在規(guī)律和表示層次。深度學(xué)習(xí)的最終目標(biāo)：讓機器能夠像人一樣具有分析、學(xué)習(xí)能力、能夠識別文字、圖像和聲音等數(shù)據(jù)。深度學(xué)習(xí)在搜索技術(shù)、數(shù)據(jù)挖掘、機器學(xué)習(xí)、機器學(xué)習(xí)、自然語言處理、多媒體學(xué)習(xí)、語音識別、推薦和個性化技術(shù)以及其他相關(guān)領(lǐng)域都取得了很多成果。深度學(xué)習(xí)的定義：是具有多層次特征描述的特征學(xué)習(xí)。（通過一些簡單但非線性的模塊將每一層特征描述（從未加工的數(shù)據(jù)開始）轉(zhuǎn)化為更高一層的、更為抽象一些的特征描述。）深度學(xué)習(xí)進步的表現(xiàn)：在圖像分類與識別、語音識別與合成、人臉識別、視頻分類與行為識別等領(lǐng)域都有著不俗的表現(xiàn)。列如：人臉識別采用深度學(xué)習(xí)方法后的識別率超過了目前非深度學(xué)習(xí)算法以及人類的識別率，深度學(xué)習(xí)技術(shù)在語音識別領(lǐng)域更是取得了突破性的進展，在大規(guī)模圖像分類問題上也遠超傳統(tǒng)方法。深度學(xué)習(xí)在生活中的運用：紋理識別、行人檢測、場景標(biāo)記、門牌識別等領(lǐng)域。深度學(xué)習(xí)關(guān)鍵：這些層次的特征不是由人工設(shè)計的，而是使用一種通用的學(xué)習(xí)步驟從數(shù)據(jù)中學(xué)習(xí)獲取的（學(xué)習(xí)得到的）。這些學(xué)習(xí)過程中獲得的信息對文字、圖像和聲音等數(shù)據(jù)的解釋有很大的幫助。深度學(xué)習(xí)與人工智能、機器學(xué)習(xí)的關(guān)系：深度學(xué)習(xí)的常見應(yīng)用：圖像分類、圖像分割、圖像生成、圖像標(biāo)題的生成、圖像風(fēng)格轉(zhuǎn)換、目標(biāo)檢測、物體測量、物體分揀、視覺定位、情感分析、無人駕駛、機器翻譯、文本到語音轉(zhuǎn)換、手寫文字轉(zhuǎn)錄和音頻生成。

二、計算機視覺的基本任務(wù)

1.計算機視覺：shi

計算機視覺是指使用計算機一級相關(guān)設(shè)備對生物視覺的一種模擬。主要任務(wù)：通過對采集的圖片或視屏進行處理以獲得相應(yīng)場景的三維信息。計算機視覺是關(guān)于如何運用照相機和計算機來獲取我們所需要的被迫拍攝對象的數(shù)據(jù)與信息的學(xué)問。形象地說，計算機視覺就是給計算機安裝上“眼睛”（照相機）和“大腦”（算法），讓計算機能夠感知環(huán)境。以代替人眼對目標(biāo)進行識別、跟蹤和測量等操作，并對圖像進行進一步的處理，使圖像更適合人眼觀察或傳入儀器。運用的學(xué)科：包括計算機科學(xué)和工程、信號處理、物理學(xué)、應(yīng)用數(shù)學(xué)和統(tǒng)計學(xué)、神經(jīng)生理學(xué)和認知科學(xué)等學(xué)科。

2.計算機視覺的基本任務(wù)：

計算機視覺的基本任務(wù)包含圖像處理、模式識別或圖像識別、景物分析、圖像理解等。除了圖像處理和模式識別之外，它還包括空間形狀的描述，幾何建模以及認識過程。實現(xiàn)圖像理解是計算機視覺的終極目標(biāo)。圖像處理技術(shù)：圖像理解技術(shù)：

3.計算機視覺的傳統(tǒng)算法:

在深度學(xué)習(xí)算法出現(xiàn)之前，對于計算機視覺算法來說，大致可以分為以下5個步驟：成功列子：（1）指紋識別算法 （2）基于Haar的人臉檢測算法? （3）基于HoG特征的物體檢測缺點：（1）缺乏對特征的重視 （2）圖像特征提取需要人力 （3）依賴特征算子

4.計算機視覺的主要應(yīng)用

圖像分類：

圖像分類是深度學(xué)習(xí)中最常見的應(yīng)用之一。它的目標(biāo)是將圖像分到預(yù)定義的類別中。深度學(xué)習(xí)通過多層神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)圖像的抽象特征。這些特征可以從原始像素值或者低級特征（如邊緣、紋理等）中提取出來，然后通過多個隱藏層進行非線性組合和轉(zhuǎn)換，最終得到高級語義特征。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）：主要用于圖像分類和識別任務(wù)，包括LeNet、AlexNet、VGG、GoogLeNet、ResNet生成對抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN）：用于生成新樣本，主要包括GAN、DCGAN、WGAN等實際上，圖像分類是分析一個輸入圖像并返回一個將圖像分類的標(biāo)簽。標(biāo)簽總是來自預(yù)定義的可能類別集。 利用深度學(xué)習(xí)算法可以實現(xiàn)對貓的圖像進行分類，圖像分類的過程一般包括以下步驟：

2.目標(biāo)檢測

目標(biāo)檢測一般包括以下步驟：

候選區(qū)域生成：使用一些候選區(qū)域生成算法，生成可能包含目標(biāo)的區(qū)域。 特征提?。簩γ總€候選區(qū)域提取特征，如顏色、紋理、形狀等。目標(biāo)分類：使用機器學(xué)習(xí)或深度學(xué)習(xí)算法，將每個候選區(qū)域分類為目標(biāo)或非目標(biāo)。邊界框回歸：對于被分類為目標(biāo)的候選區(qū)域，通過回歸算法校正其邊界框的位置和大小。非極大值抑制（NMS）：對于多個重疊的候選區(qū)域，保留具有最高置信度的目標(biāo)，去除冗余的區(qū)域。

可以分為：

One-Stage目標(biāo)檢測：端到端，速度快。（YOLO、YOLOX）Two-Stage目標(biāo)檢測：速度更慢，最開始提出。（SSD、R-CNN、Faster R-CNN）目標(biāo)檢測是機器視覺領(lǐng)域最主要的應(yīng)用之一，例如，汽車違規(guī)行駛的檢測會為了保障行車、行人的安全在路口安裝交通檢測系統(tǒng)，檢測汽車的行駛速度是否超過限制、是否存在違規(guī)變道行為、是否存在闖紅燈行為、是否遮擋車牌、是否系安全帶等。 而人工檢測存在著較多的弊端，如準(zhǔn)確率低，長時間工作準(zhǔn)確性更是無法保障，而且檢測速度慢，容易出現(xiàn)錯判和漏判。 因此，機器視覺在目標(biāo)檢測的應(yīng)用方面也就顯得非常重要。目標(biāo)檢測算法既可以進行分類任務(wù)，也可以進行檢測任務(wù)，還可以進行目標(biāo)追蹤、實例分割。 YOLO系列：YOLOv1~YOLOv8、YOLOX、YOLOF是最常用的目標(biāo)檢測算法。

3.實例分割：

在圖像中檢測和分割出每個特定目標(biāo)像素，列如分割出每個人的輪廓

4.姿態(tài)評估：

估計圖像中人物的姿勢或關(guān)節(jié)角度，入人體姿勢估計、手勢識別等

5.圖像重建：

是指通過一系列技術(shù)和算法對損壞、模糊或或缺的圖像進行修復(fù)或恢復(fù)。

6.圖像超分辨率：

是指通過一系列的算法和技術(shù)，降低分辯率的圖像

7.圖像標(biāo)題生成：

神經(jīng)圖像標(biāo)題(Neural Image?Caption, NIC)模型會自動生成介紹輸入圖像的文字。該模型由深層的卷積神經(jīng)網(wǎng)絡(luò)和自然語言語言處理的循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)?構(gòu)成。卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征，RNN生成文本。

8.圖像風(fēng)格轉(zhuǎn)換：

圖像風(fēng)格的變換是利用了卷積神經(jīng)網(wǎng)絡(luò)可以提取高層特征的效果，不在像素級別進行損失函數(shù)的計算，而是將原圖像和生成圖像都輸入至一個已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)里，在得到的某種特征表示上計算歐式距離(內(nèi)容損失函數(shù))。這樣得到的圖像與原圖內(nèi)容相似，但像素級別不一定相似，且所得圖像更具魯棒性。輸入兩個圖像，計算機會生成一個新的圖像。

9.物體測量：

在日常生活中，物體測量通常是對物體的質(zhì)量、長度、高度、體積等進行測量。在機器視覺應(yīng)用中，使用光的反射進行非接觸式測量，如右圖所示，是某款手機使用非接觸光學(xué)測量方法對桌子進行的測量。物體測量技術(shù)多用于工業(yè)方面，主要包括對汽車零部件、齒輪、半導(dǎo)體元件管腳、螺紋等進行測量。

10.物體分揀：

物體分揀是建立在識別、檢測之后的一個環(huán)節(jié)，通過機器視覺對圖像中的目標(biāo)進行檢測和識別，實現(xiàn)自動分揀。在工業(yè)應(yīng)用領(lǐng)域常用于食品分揀、零件表面瑕疵自動分揀、棉花纖維分揀等。同時，物體分揀在物流、倉庫中的運用更為廣泛，在分揀過程中，機器通過按照物品種類、物品大小、出入庫的先后順序等方法對物體進行分揀。

11.視覺定位：

視覺定位要求機器能夠快速準(zhǔn)確地找到被測零件并確認其位置。在半導(dǎo)體封裝領(lǐng)域，設(shè)備需要根據(jù)機器視覺取得芯片位置信息、調(diào)整拾取頭、準(zhǔn)確拾取芯片并進行綁定，這就是視覺定位在機器視覺工業(yè)領(lǐng)域最基本的應(yīng)用。

三、自然語言處理

ChatGPT是一種基于OpenAI GPT（Generative Pre-trained Transformer）模型的對話生成模型。 它是OpenAI公司推出的一種自然語言處理模型，旨在通過生成自然流暢的對話響應(yīng)來實現(xiàn)人機交互。 ChatGPT是通過在大量的對話數(shù)據(jù)上進行預(yù)訓(xùn)練，學(xué)習(xí)語言模式和對話流程，然后根據(jù)用戶輸入產(chǎn)生相應(yīng)的回復(fù)。 它可以用于諸如客戶服務(wù)、虛擬助手、編程幫助等任務(wù)，為用戶提供實用的對話交互體驗。 同時，OpenAI還通過與用戶的交互來不斷改進和優(yōu)化ChatGPT模型，以提供更準(zhǔn)確和有用的回復(fù)。深度學(xué)習(xí)自然語言處理（Natural Language Processing，NLP）是人工智能和語言學(xué)領(lǐng)域的分支學(xué)科。 自然語言處理包含機器理解、解釋和生成人類語言的方法，因此，也將它描述為自然語言理解（Natural Language Understanding，NLU）和自然語言生成（Natural Language Generation，NLG）。 傳統(tǒng)的NLP方法采用基于語言學(xué)的方法，它基于語言的基本語義和句法元素（如詞性）構(gòu)建。 基于深度學(xué)習(xí)的自然語言處理避開了對中間元素的需求，并且可以針對通用任務(wù)學(xué)習(xí)該任務(wù)本身的層次表示。 1966年自動語言處理咨詢委員會的報告強調(diào)了機器翻譯從流程到實施成本面臨的巨大困難，導(dǎo)致投資方減少了在資金方面的投資，使得NLP的研究幾乎停滯。自然語言，區(qū)別于計算機所使用的機器語言和程序語言，是指人類用于日常交流的語言。而自然語言處理的目的卻是要讓計算機來理解和處理人類的語言。自然語言的一個句子背后往往包含著不直接表述出來的常識和邏輯。

自然語言處理的基本問題：

語言建模：計算一個句子在一個語言中出現(xiàn)的概率。中文分詞：將中文句子恰當(dāng)?shù)厍蟹譃閱蝹€的詞。句法分析：通過明確句子內(nèi)兩個或多個詞的關(guān)系來了解整個句子的結(jié)構(gòu)。最終句法分析的結(jié)果是一棵句法樹。情感分析：給出一個句子，判斷這個句子表達的情感。機器翻譯：最常見的是把源語言的一個句子翻譯成目標(biāo)語言的一個句子，最終預(yù)測出來的整個目標(biāo)語言句子必須與給定的源語言句子具有完全相同的含義。閱讀理解：有許多形式。有時候是輸入一個段落，一個問題，生成一個回答，或者在原文中標(biāo)定一個范圍作為回答，有時候是輸出一個分類。語言生成：通過模型和算法，使計算機能夠生成符合語法和語義規(guī)則的人類語言。信息檢索：通過分析和索引大量的文本數(shù)據(jù)，使計算機能夠快速準(zhǔn)確地檢索相關(guān)信息。語言理解：通過分析文本和語音，使計算機能夠理解人類語言的意義和目的。

四、深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)發(fā)展

現(xiàn)代深度學(xué)習(xí)

卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種對人腦比較精準(zhǔn)的模擬，它模擬了人腦識別圖片時感知圖片中的局部特征，之后將局部特征綜合起來再得到整張圖的全局信息的過程。其卷積層通常是堆疊的，低層的卷積層可以提取到圖片的局部特征，高層的卷積能夠從低層的卷積層中學(xué)到更復(fù)雜的特征，從而實現(xiàn)到圖片的分類和識別。

2.現(xiàn)代深度學(xué)習(xí)的過程

用學(xué)習(xí)好的卷積和對圖像進行掃描，然后每一個卷積和會生成一個掃描的響應(yīng)圖，我們叫response map，或者叫feature map。如果有多個卷積和，就有多個feature map。也就說從一個最開始的輸入圖像（RGB三個通道）可以得到256個通道的feature map，因為有256個卷積和，每個卷積和代表一種統(tǒng)計抽象的方式。卷積就是兩個函數(shù)之間的相互關(guān)系。在計算機視覺里面，可以把卷積當(dāng)作一個抽象的過程，就是把小區(qū)域內(nèi)的信息統(tǒng)計抽象出來。

3.池化操作。池化操作在統(tǒng)計上的概念更明確，就是一個對一個小區(qū)域內(nèi)求平均值或者求最大值的統(tǒng)計操作。帶來的結(jié)果是，如果之前輸入有兩個通道的，或者256通道的卷積的響應(yīng)feature map，每一個feature map都經(jīng)過一個求最大的一個池化層，會得到一個比原來feature map更小的256的feature map。

4.LeNet網(wǎng)絡(luò)

傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法的比較：

傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法的比較：傳統(tǒng)方法適用于特征工程比較成熟、數(shù)據(jù)較少或易解釋性要求高的場景；神經(jīng)網(wǎng)絡(luò)方法適用于數(shù)據(jù)較大、特征難以手動設(shè)計或?qū)δＰ托阅芤筝^高的場景。在實際應(yīng)用中，可以根據(jù)問題的特點和數(shù)據(jù)的性質(zhì)選擇合適的方法。

五.強化學(xué)習(xí)

強化學(xué)習(xí)

監(jiān)督學(xué)習(xí)是通過帶有標(biāo)簽或?qū)?yīng)結(jié)果的樣本訓(xùn)練得到一個最優(yōu)模型，再利用這個模型將所有輸入映射為相應(yīng)輸出，以實現(xiàn)分類非監(jiān)督學(xué)習(xí)是在樣本的標(biāo)簽未知的情況下，根據(jù)樣本之間的相似性對樣本集進行聚類，使類內(nèi)差距最小化，學(xué)習(xí)出分類器

2.與環(huán)境互動

到目前為止，不管是監(jiān)督學(xué)習(xí)還是無監(jiān)督學(xué)習(xí)，我們都會預(yù)先獲取大量數(shù)據(jù)，然后啟動模型，不再與環(huán)境交互。 這里所有學(xué)習(xí)都是在算法與環(huán)境斷開后進行的，被稱為離線學(xué)習(xí)（offline learning）。離線學(xué)習(xí)有它的魅力： 好的一面是，我們可以孤立地進行模式識別，而不必分心于其他問題。 ?但缺點是，解決的問題相當(dāng)有限。 這時我們可能會期望人工智能不僅能夠做出預(yù)測，而且能夠與真實環(huán)境互動。 與預(yù)測不同，“與真實環(huán)境互動”實際上會影響環(huán)境。 這里的人工智能是“智能代理”，而不僅是“預(yù)測模型”。 因此，我們必須考慮到它的行為可能會影響未來的觀察結(jié)果。

3.強化學(xué)習(xí)

定義：強化學(xué)習(xí)是機器學(xué)習(xí)的一個重要分支，它與非監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)并列為機器學(xué)習(xí)的三類主要學(xué)習(xí)方法。強化學(xué)習(xí)強調(diào)如何基于環(huán)境行動，以取得最大化的預(yù)期利益，所以強化學(xué)習(xí)可以被理解為決策問題。強化學(xué)習(xí)（reinforcement learning）應(yīng)用：機器人、對話系統(tǒng)，甚至開發(fā)視頻游戲的人工智能（AI）。深度強化學(xué)習(xí)（deep reinforcement learning）將深度學(xué)習(xí)應(yīng)用于強化學(xué)習(xí)的問題，是非常熱門的研究領(lǐng)域。強化學(xué)習(xí)的例子： 突破性的深度Q網(wǎng)絡(luò)（Q-network）在雅達利游戲中僅使用視覺輸入就擊敗了人類； ?以及 AlphaGo 程序在棋盤游戲圍棋中擊敗了世界冠軍。

4.強化學(xué)習(xí)的四個因素：

5.強化學(xué)習(xí)算法的目標(biāo)：

就是獲得最多的累計獎勵（正反饋）。

6.強化學(xué)習(xí)的特征：

沒有明確的標(biāo)簽：強化學(xué)習(xí)沒有明確的標(biāo)簽來告訴智能體什么是正確的動作。必須通過與環(huán)境的交互來學(xué)習(xí)。延遲回報：獎勵信號可能在未來的時間點才會到達，因此代理需要考慮長期回報而不只是當(dāng)前的獎勵。動態(tài)環(huán)境：環(huán)境可能是動態(tài)變化的，智能體必須能夠適應(yīng)環(huán)境的變化并調(diào)整策略。

7.強化學(xué)習(xí)算法簡介

8.強化學(xué)習(xí)算法的應(yīng)用

交互性檢索是在檢索用戶不能構(gòu)建良好的檢索式（關(guān)鍵詞）的情況下，通過與檢索平臺交流互動并不斷修改檢索式，從而獲得較準(zhǔn)確檢索結(jié)果的過程。新聞推薦需要：獲取用戶請求，召回候選新聞，對候選新聞進行排序，最終給用戶推出新聞。 ? ? ? ?將用戶持續(xù)瀏覽新聞的推薦過程看成一個決策過程，通過強化學(xué)習(xí)學(xué)習(xí)每一次推薦的最佳策略，提高用戶的點擊率。無人駕駛被認為是強化學(xué)習(xí)短期內(nèi)能技術(shù)落地的一個應(yīng)用方向，很多公司投入大量資源在無人駕駛上，其中百度的無人巴士“阿波龍”已經(jīng)在北京、武漢等地展開試運營，自動無人駕駛的行車視野如下圖所示。未來生活中，深度學(xué)習(xí)算法在交通領(lǐng)域的應(yīng)用，可能會創(chuàng)造出一個完全智能調(diào)度的移動出行網(wǎng)絡(luò)。游戲領(lǐng)域：強化學(xué)習(xí)在游戲中的應(yīng)用非常廣泛。例如，在電子游戲中，強化學(xué)習(xí)算法可以訓(xùn)練智能體來學(xué)習(xí)如何玩游戲，并制定最佳策略來獲得高分或戰(zhàn)勝對手。AlphaGo就是一個成功的示例，它通過強化學(xué)習(xí)擊敗了世界冠軍圍棋選手。

柚子快報激活碼778899分享：人工智能 深度學(xué)習(xí)簡介

http://yzkb.51969.com/

相關(guān)鏈接