Abra la puerta al mundo de la IA: desde la inteligencia artificial hasta la visión artificial
Tabla de contenido
1. Sobre la inteligencia artificial
1.1 Introducción a la inteligencia artificial
Lo primero que debemos saber es el concepto básico de la inteligencia artificial.¿Qué es la inteligencia artificial real?Know-how tecnología. La inteligencia artificial es uno de los campos más populares en el mundo informático actual, involucra muchos campos y cubre las habilidades de percepción, aprendizaje, razonamiento y toma de decisiones.
Desde la perspectiva de la aplicación práctica: la capacidad central de la inteligencia artificial es hacer juicios y predicciones basados en entradas dadas.
¿Cuándo nació la inteligencia artificial AI? ¿Cuáles son las etapas de su desarrollo hasta ahora? Estas son las cosas a las que debemos prestar atención. Hagamos una serie de líneas de tiempo. La conferencia de Dartmouth en 1955 marcó el nacimiento de la IA. Este año se conoce como el primer año de la IA. La puerta de la IA El mundo finalmente ha comenzado a ser explorado formalmente por humanos. Acompañará a la civilización humana a través de una larga, larga historia. En el proceso de desarrollo de la IA, ha habido tres períodos dorados, y cada período dorado se debe a un nuevo concepto o algoritmo. siendo propuesto.
- El primer pico y valle de la IA: en 1957, Rosenblatt inventó la primera red neuronal Perceptron, por lo que la IA entró en el primer período pico. En 1970, debido a los avances en la potencia informática, no pudo completar el entrenamiento de datos a gran escala y las tareas complejas. así AI entró en el primer canal
- El segundo pico y valle de la IA: la red neuronal Hopfield se propuso en 1982 , y el algoritmo BP apareció cuatro años después, en 1986, lo que hizo posible el entrenamiento de redes neuronales a gran escala. Estos dos avances históricos llevaron a la IA al segundo clímax. Fue en 1990. La computadora de IA DARPA no logró los resultados esperados y no logró obtener más apoyo financiero, por lo que la ola de IA que acababa de emerger volvió a entrar en un punto bajo.
- El tercer pico de la IA hasta hoy: en 2006, **Hinton propuso la red neuronal de "aprendizaje profundo"**, que logró un avance clave en el desempeño de la inteligencia artificial. En 2013, el algoritmo de aprendizaje profundo logró avances en el habla y la visualización reconocimiento Esta IA ha entrado en una nueva era: la era de la inteligencia perceptiva
La piedra angular del desarrollo de la inteligencia artificial - Test de Turing
La prueba de Turing es un concepto muy importante en el campo de la inteligencia artificial. El proceso de la prueba de Turing incluye tres partes: el probador, el sujeto a prueba y la máquina, y la separación entre el probador y el sujeto a prueba (una persona y una máquina) A continuación, a través de algunos dispositivos (como teclados), se hacen preguntas aleatorias a los evaluados. Después de muchas pruebas, si la máquina permite que cada participante cometa más del 30% de errores de juicio en promedio, entonces esta máquina ha pasado la prueba y ha sido premiada. Creo que sí. tiene inteligencia humana, pero esto no es absoluto. No significa que una máquina sea inteligencia artificial siempre que pase la prueba de Turing. La prueba de Turing es solo una referencia y un estándar muy, muy importante. Necesita ser juzgado en muchos frentes.
1.2 Tres elementos básicos de la inteligencia artificial
Los tres elementos centrales de la inteligencia artificial: datos, algoritmo, poder de cómputo
datos
Uno de los elementos de la inteligencia artificial: los datos, se refiere a los datos que ingresamos en la máquina, y la máquina realiza los juicios y predicciones correspondientes en función de nuestros datos de entrada.Con el desarrollo de Internet de las cosas, la información y los datos sobre todo el mundo se están volviendo más y más Cuanto más, esto proporciona suficiente nutrición rica y continua para la inteligencia artificial, de modo que la máquina tenga suficientes datos para aprender y luego retroalimentar los resultados que queremos
El núcleo de la tecnología de big data es utilizar el valor de los datos, y el aprendizaje automático es la tecnología clave para utilizar el valor de los datos.
algoritmo
Después de proporcionar datos a la máquina, la máquina acaba de obtener los datos, y lo más importante es el algoritmo. El concepto del algoritmo es muy simple. Cuando le asignamos una tarea a la computadora, no solo necesitamos decirle qué hacer. hacer, pero también decirle cómo hacerlo.hacer, y un algoritmo es una serie de instrucciones sobre "cómo hacerlo".
poder computacional
El poder de cómputo son algunas instalaciones de hardware que ayudan a las computadoras a funcionar y procesar imágenes rápidamente, como CPU, GPU y NPU (acelerador de aprendizaje profundo) y otras instalaciones de hardware. Estas instalaciones de hardware son la clave para la realización de algoritmos, lo que hace que la realización de algoritmos rápido y preciso
Avance en potencia informática: CPU tradicional y tecnología de aceleración informática emergente + chip inteligente
En cuanto a la relación entre la CPU y la GPU, podemos entenderla simplemente como: CPU + computación paralela = GPU, y la GPU no se puede modificar después de construirla. En ese momento, FPGA apareció para resolver nuestros problemas de diseño de hardware. Una vez finalizada, los usuarios pueden modificarlo en cualquier momento, lo que reduce en gran medida el riesgo de desarrollo
Hay otro concepto muy importante que debemos comprender: la computación distribuida, si cada computadora es un módulo, todas las computadoras asignan tareas de acuerdo con ciertas reglas y luego realizan cálculos separados, y finalmente combinan los resultados de los cálculos, esto es computación distribuida.
(La imagen proviene de la Inteligencia Artificial de Badou——Wang Xiaotian de la Academia Badou)
1.3 Círculo de relación de inteligencia artificial
En el desarrollo de la inteligencia artificial, el auge del aprendizaje automático y el avance del aprendizaje profundo son hitos ¿Cuál es la relación entre ellos y la inteligencia artificial? El círculo de relaciones de la inteligencia artificial es el navegador más importante que nos lleva a comprender el mundo de la IA.
Aprendizaje automático: una forma de hacer realidad la inteligencia artificial
El aprendizaje automático es el núcleo de la inteligencia artificial y la forma fundamental de hacer que las computadoras sean inteligentes. Su aplicación cubre todos los campos de la inteligencia artificial. Utiliza principalmente la inducción y la síntesis en lugar de la deducción.
Aprendizaje profundo: una técnica para implementar el aprendizaje automático
El aprendizaje profundo es el uso de redes neuronales profundas para procesar módulos de manera más compleja, de modo que el modelo pueda comprender los datos más profundamente. Es un método basado en el aprendizaje representacional de datos en el aprendizaje automático. Su motivación es establecer y simular el cerebro humano para análisis y aprendizaje Una red neuronal que imita los mecanismos del cerebro humano para interpretar datos como imágenes, sonidos y texto
La esencia del aprendizaje profundo es aprender más funciones útiles mediante la creación de un modelo de aprendizaje automático con muchas capas ocultas y datos de entrenamiento masivos, para mejorar en última instancia la precisión de la clasificación o la predicción.
Redes neuronales artificiales: un algoritmo para el aprendizaje automático
Una red neuronal generalmente tiene una capa de entrada->capa oculta->capa de salida. En términos generales, una red neuronal con más de dos capas ocultas se denomina red neuronal profunda. El aprendizaje profundo es una máquina que utiliza una arquitectura profunda como una red neuronal profunda. red método de estudio
El aprendizaje automático es lograr inteligencia artificial, el aprendizaje profundo es un tipo de aprendizaje automático
Proceso clásico de aprendizaje automático
En primer lugar, necesitamos preparar los datos de entrenamiento (incluidas muchas etiquetas de categoría, es decir, algunos conjuntos de funciones que pueden representar mejor esas cosas), y luego debemos diseñar el algoritmo de aprendizaje de acuerdo con nuestras necesidades deseadas y usar el algoritmo de aprendizaje para entrenar los datos. Se convierte en uno de nuestros modelos (como árbol de decisión, red neuronal, etc.), después de pasar nuevas muestras de datos (datos de predicción) al modelo, el modelo nos dará datos de retroalimentación basados en su habilidad aprendida
Comprensión de las redes neuronales (humanos pensantes: redes neuronales biológicas)
Lo que la red neuronal humana puede lograr se puede explicar aproximadamente como: después de recibir un estímulo externo , la neurona convertirá el estímulo en información y la transmitirá a otras células funcionales, y estas células generarán los resultados correspondientes después de recibir la información.
La red neuronal artificial es una estructura de red establecida mediante la simulación de la red neuronal biológica. Cada neurona en ella primero debe tener datos de entrada (estímulos), y un sensor que recibe y procesa estos datos , y finalmente genera una salida . Estas neuronas se mezclan entre sí. para formar nuestra red neuronal artificial. La estructura lógica de la red neuronal artificial incluye: capa de entrada, capa oculta y capa de salida. La función de cada capa es el proceso que mencionamos anteriormente. Estos procesos Después de cooperar y comunicarnos entre nosotros, podemos lograr el efecto deseado
Pero hay más de una capa oculta. Cuando una red neuronal artificial tiene varias capas ocultas, se denomina red neuronal profunda . El aprendizaje automático basado en una red neuronal profunda es aprendizaje profundo.
2. Visión por computadora
2.1 Conociendo CV por primera vez
¡Wan Jian regresa a la secta! Antes de aprender la visión por computadora, primero debemos entender qué es la visión por computadora. Para resumirlo en una oración, la visión por computadora es permitir que las computadoras tengan la capacidad de ver, comprender y pensar. Se puede llamar Las computadoras tienen visión, visión por computadora ! (Cabe señalar que la computadora no solo debe tener la capacidad de "ver", sino también la capacidad de "reconocer" y "pensar")
2.2 Deep learning y CV y la aplicación de CV
La visión por computadora basada en el aprendizaje profundo es permitir que la visión por computadora tenga la capacidad de "reconocimiento" para lograr el propósito de la inteligencia artificial, entonces, ¿cómo hacer que tenga esta capacidad? Obviamente, el aprendizaje automático se usa para permitir que las máquinas reconozcan imágenes. CV es un concepto que se cruza con AI, ML y DL. Usaremos el aprendizaje automático y el aprendizaje profundo para realizar la función de nuestro CV.
CV tiene 5 aplicaciones principales:
1. Clasificación de imágenes (usando la red neuronal convolucional CNN) - capa de rectificación lineal RELU (función f=max(0,x)) y capa de pooling POOL (según los parámetros de entrada para obtener el valor máximo de cada parte)
2. Detección de objetivos (usando R-CNN): extraiga la región de interés y luego realice ConvNet (convolución)
3. Segmentación semántica (usando la red FCN): segmente objetos de diferentes categorías y luego coloréelos (para categorías aproximadas)
4. Segmentación de instancias: segmente y coloree los objetos de diferentes instancias (por ejemplo, objetos de instancia)
Declaración de derechos de autor: el contenido de aprendizaje y las imágenes anteriores provienen o se refieren a - Inteligencia artificial de Badou
Si el artículo es útil para usted, recuerde respaldarlo con un clic ~