AI系列培训课件-人工智能技术及应用课件第10章.pptx

第10讲图像处理及其应用;

机器学习

MACHEINLEARNING

深度学习

DEEPLEARNING

手写数字识别实战

Handwrittennumeralrecognitionpractice;

机器学习

MACHEINLEARNING;

RL深度学习

nlp深度学习

CV深度学习;

人工智能

机器学习

神经网络

深度学习

CNN

VGG16;

定义：机器学习是研究如何使用机器来模拟人类学习活动的一门学科，目的是获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。;

无论训练阶段还是测试阶段都需要特征工程，特征工程的质量和效率直接影响建模是否成功。

深度学习实现了有限领域特征工程自动化。;

样本特征模型假设选择算法调参

N

模型M

f(x)=2+3x;

3、机器学习两大困难

(1)特征工程;

3、机器学习两大困难

(2)模型假设;

4、机器学习分类

,PI

有监督学习

机器学习

无监督学习

半监督学习;

神经网络

NEURALNETWORK;

1、神经元

品人工神经元

net

WI

W2

X1X2;

1、神经元

品一个例子;

(1)同层没有连接；

(2)输出层是输入层的复合函数；

(3)神经网络可以逼近任何复杂函数;

3、ANN存在的问题

(1)要训练的参数太多——对硬件要求高、数据要多、算法要优；

(2)非凸优化问题——容易陷入局部极值，对参数初始值敏感；

(3)梯度弥散问题——对低层的参数调整越来越困难，甚至不收敛；;

深度学习

DEEPLEARNING;

2、深度学习原理

(1)受大脑接收信息的模式的启发

Output;

101;

(3)局部感知(卷积)【感兴趣的目标比图像小的多】;

(3)局部感知卷积的过程就是从原图提取卷积核特征的过程;

2、深度学习原理

(4)权值共享(平移不变性)【卷积核平移，数据不变】;

(4)权值共享;

2、深度学习原理;

池化操作也称为下采样(Subsampling),其作用是过滤冗余特征，减少训练参数。;

Property1

Somepatternsaremuch

smallerthanthewholeimage

Property2

Thesamepatternsappearindifferentregions.

Property3

Subsamplingthepixelswillnotchangetheobject

Fatten;

1;

4、卷积进一步讨论;

4、卷积进一步讨论

每一个卷积核中的数值，都是学习出来的，不需要我们费心去设置。需要我们做的是：

①设置卷积核的大小(用字母“F”表示)

②设置卷积核滑动的步幅数(用字母“S”表示)

③设置卷积核的个数(用字母“K”表示

④设置是否补零(用字母“P”表示)

0000000;

√输出

3;

5、池化进一步讨论;

√输入：W?×H?×D?

√超参数：

thedimensionoffilters:F

stride步长S

√输出：W?×H?×D?

,D?=D?

√参数：

一些池化方式中是有参数的

max-pooling和mean-pooling没有参数;

6、关于深度学习

(1)深度学习工程师处于工业化大生产时代，“老科学家”长期积累的优势不再牢固;

(2)DL领域几位疯牛;

6、关于深度学习

(3)常用深度学习框架

Microsoft

CNTK

KKeras

dy/net;

(4)PaddlePaddleAPI

/documentation/docs/zh/api_cn/index_cn.html;

计算机视觉

COMPUTERVISION;

一、计算机视觉的作用

计算机视觉，英文ComputerVision,简称CV。计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等。

视觉是各个应用领域，如制造业、检验、文档分析、医疗诊断，和军事等领域中各种智能/自主系统中不可分割的一部分。由于它的重要性，一些先进国家，把对计算机视觉的计算机视觉与其他领域的关系研究列为对经济和科学有广泛影响的科学和工程中的重大基本问题。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图象信号，纹理