Abra a porta para o mundo da IA - da inteligência artificial à visão computacional
Índice
1. Sobre inteligência artificial
1.1 Introdução à inteligência artificial
A primeira coisa que precisamos saber é o conceito básico de inteligência artificial. O que é inteligência artificial real? tecnologia de know-how. A inteligência artificial é um dos campos mais populares no mundo da informática atual, envolve muitos campos e abrange as habilidades de percepção, aprendizado, raciocínio e tomada de decisão.
Do ponto de vista da aplicação prática: a capacidade central da inteligência artificial é fazer julgamentos e previsões com base em informações fornecidas
Quando nasceu a inteligência artificial AI? Quais são as etapas de seu desenvolvimento até agora? Estas são as coisas às quais precisamos prestar atenção. Vamos fazer uma série de linhas do tempo. A Conferência de Dartmouth de 1955 marcou o nascimento da IA. Este ano é conhecido como o primeiro ano da IA. O portão do mundo da IA finalmente começou a ser formalmente explorado pelos humanos. Ele acompanhará a civilização humana por uma longa, longa história. No processo de desenvolvimento da IA, houve três períodos de ouro, e cada período de ouro é devido a um novo conceito ou algoritmo sendo proposto
- O primeiro pico e vale da IA: Em 1957, Rosenblatt inventou a primeira rede neural Perceptron, portanto, a IA entrou no primeiro período de pico. Em 1970, devido a avanços no poder de computação, ela não conseguiu concluir o treinamento de dados em larga escala e tarefas complexas, assim AI entrou no primeiro vale
- O segundo pico e vale da IA: a rede neural Hopfield foi proposta em 1982 , e o algoritmo BP apareceu quatro anos depois, em 1986, tornando possível o treinamento de redes neurais em larga escala. Esses dois avanços históricos levaram a IA ao segundo clímax foi em 1990. O computador de IA DARPA falhou em alcançar os resultados esperados e não conseguiu mais apoio financeiro, então a recém-emergida onda de IA entrou em uma depressão novamente.
- O terceiro pico da IA até hoje: em 2006, **Hinton propôs a rede neural de "aprendizagem profunda"**, que fez um avanço importante no desempenho da inteligência artificial. Em 2013, o algoritmo de aprendizagem profunda fez avanços na fala e visual reconhecimento. Esta IA entrou em uma nova era - a era da inteligência perceptiva
A pedra angular do desenvolvimento da inteligência artificial - teste de Turing
O teste de Turing é um conceito muito importante no campo da inteligência artificial. O processo do teste de Turing inclui três partes: o testador, o testado e a máquina, e a separação entre o testador e o testado (uma pessoa e uma máquina). através de alguns dispositivos (como teclados), os testados respondem a perguntas aleatórias. Depois de muitos testes, se a máquina permitir que cada participante faça mais de 30% de erros de julgamento em média, então esta máquina passou no teste e foi premiada. ter inteligência humana, mas isso não é absoluto. Isso não significa que, desde que uma máquina passe no teste de Turing, ela é inteligência artificial. O teste de Turing é apenas uma referência e um padrão muito, muito importante. Precisa ser julgado muitas frentes
1.2 Três Elementos Centrais da Inteligência Artificial
Os três elementos centrais da inteligência artificial: dados, algoritmo, poder de computação
dados
Um dos elementos da inteligência artificial - dados, refere-se aos dados que inserimos na máquina, e a máquina faz julgamentos e previsões correspondentes com base em nossos dados de entrada. Com o desenvolvimento da Internet das Coisas, informações e dados sobre o mundo inteiro estão se tornando mais e mais Quanto mais, isso fornece nutrição rica e contínua o suficiente para inteligência artificial, para que a máquina tenha dados suficientes para aprender e, em seguida, retroalimentar os resultados que queremos
O núcleo da tecnologia de big data é utilizar o valor dos dados, e o aprendizado de máquina é a tecnologia chave para utilizar o valor dos dados
algoritmo
Depois de fornecermos os dados para a máquina, a máquina acabou de obter os dados, e o mais importante é o algoritmo. O conceito do algoritmo é muito simples. Quando damos uma tarefa ao computador, não precisamos apenas dizer a ele o que faça, mas também diga como fazer. faça, e um algoritmo é uma série de instruções sobre "como fazer"
poder de computação
O poder de computação são alguns recursos de hardware que ajudam os computadores a executar e processar imagens rapidamente, como CPU, GPU e NPU (acelerador de aprendizado profundo) e outros recursos de hardware. Esses recursos de hardware são a chave para a realização de algoritmos, tornando a realização de algoritmos rápido e preciso
Avanço no poder de computação - CPU tradicional e tecnologia de aceleração de computação emergente + chip inteligente
Em relação à relação entre CPU e GPU, podemos entendê-la simplesmente como: CPU + computação paralela = GPU, e a GPU não pode ser modificada depois de construída. Neste momento, o FPGA apareceu para resolver nossos problemas de design de hardware. Após a conclusão, os usuários podem modificá-lo a qualquer momento, o que reduz muito o risco de desenvolvimento
Existe outro conceito muito importante que precisamos entender: computação distribuída, se cada computador é um módulo, todos os computadores atribuem tarefas de acordo com certas regras e depois realizam cálculos separados e, finalmente, combinam os resultados dos cálculos, isso é computação distribuída.
(A imagem vem de Badou Artificial Intelligence——Wang Xiaotian da Badou Academy)
1.3 Círculo de relacionamento da inteligência artificial
No desenvolvimento da inteligência artificial, a ascensão do aprendizado de máquina e o avanço do aprendizado profundo são marcos. Qual é a relação entre eles e a inteligência artificial? O círculo de relacionamento da inteligência artificial é o navegador mais importante que nos leva a entender o mundo da IA
Aprendizado de máquina - uma maneira de realizar a inteligência artificial
O aprendizado de máquina é o núcleo da inteligência artificial e a forma fundamental de tornar os computadores inteligentes. Sua aplicação abrange todos os campos da inteligência artificial. Ele usa principalmente indução e síntese em vez de dedução
Aprendizado Profundo - Uma Técnica para Implementar o Aprendizado de Máquina
O aprendizado profundo é o uso de redes neurais profundas para processar módulos de forma mais complexa, de modo que o modelo possa entender os dados mais profundamente. É um método baseado no aprendizado representacional de dados no aprendizado de máquina. Sua motivação é estabelecer e simular o cérebro humano para análise e aprendizagem. Uma rede neural que imita os mecanismos do cérebro humano para interpretar dados como imagens, sons e texto
A essência do aprendizado profundo é aprender recursos mais úteis construindo um modelo de aprendizado de máquina com muitas camadas ocultas e dados de treinamento massivos, de modo a melhorar a precisão da classificação ou previsão
Redes neurais artificiais - um algoritmo para aprendizado de máquina
Uma rede neural geralmente tem uma camada de entrada->camada oculta->camada de saída. De um modo geral, uma rede neural com mais de duas camadas ocultas é chamada de rede neural profunda. O aprendizado profundo é uma máquina que usa uma arquitetura profunda como uma rede neural profunda rede. método de estudo
O aprendizado de máquina é para alcançar a inteligência artificial, o aprendizado profundo é um tipo de aprendizado de máquina
Processo Clássico de Machine Learning
Em primeiro lugar, precisamos preparar os dados de treinamento (incluindo muitos rótulos de categoria, ou seja, alguns conjuntos de recursos que podem representar melhor essas coisas) e, em seguida, precisamos projetar o algoritmo de aprendizado de acordo com nossas necessidades desejadas e usar o algoritmo de aprendizado para treinar os dados. Ele se torna um de nossos modelos (como árvore de decisão, rede neural, etc.). Após passarmos novas amostras de dados (dados de previsão) para o modelo, o modelo nos fornecerá dados de feedback com base em sua habilidade aprendida
Compreendendo Redes Neurais (Thinking Humans - Redes Neurais Biológicas)
O que a rede neural humana pode realizar pode ser explicado aproximadamente como: depois de receber um estímulo externo , o neurônio converterá o estímulo em informação e o transmitirá para outras células funcionais, e essas células farão saídas correspondentes após receber a informação
A rede neural artificial é uma estrutura de rede estabelecida pela simulação da rede neural biológica. Cada neurônio nela deve primeiro ter dados de entrada (estímulos) e um sensor que recebe e processa esses dados e, finalmente, faz uma saída . Esses neurônios são misturados para formar nossa rede neural artificial. A estrutura lógica da rede neural artificial inclui: camada de entrada, camada oculta e camada de saída. A função de cada camada é o processo que mencionamos acima. Esses processos Depois de cooperar e se comunicar uns com os outros, podemos alcançar o efeito desejado
Mas há mais de uma camada oculta. Quando uma rede neural artificial tem várias camadas ocultas, ela é chamada de rede neural profunda . O aprendizado de máquina baseado em uma rede neural profunda é um aprendizado profundo.
2. Visão Computacional
2.1 Conhecendo o CV pela primeira vez
Wan Jian retorna à seita! Antes de aprender a visão computacional, devemos primeiro entender o que é a visão computacional. Para resumir em uma frase, a visão computacional é permitir que os computadores tenham a capacidade de ver, entender e pensar. Pode ser chamado de Computadores têm visão, visão computacional ! (Deve-se notar que não só o computador deve ter a capacidade de "ver", mas também a capacidade de "reconhecer" e "pensar")
2.2 Deep Learning e CV e a aplicação de CV
A visão computacional baseada em aprendizado profundo é permitir que a visão computacional tenha a capacidade de "reconhecimento" para atingir o objetivo da inteligência artificial, então como fazer com que ela tenha essa capacidade? Obviamente, o aprendizado de máquina é usado para permitir que as máquinas reconheçam imagens. CV é um conceito que se cruza com IA, ML e DL. Usaremos aprendizado de máquina e aprendizado profundo para realizar a função de nosso CV.
CV tem 5 aplicações principais:
1. Classificação de imagem (usando rede neural convolucional CNN) - camada de retificação linear RELU (função f=max(0,x)) e camada de pooling POOL (de acordo com os parâmetros de entrada para obter o valor máximo de cada parte)
2. Detecção de alvo (usando R-CNN) - extraia a região de interesse e execute ConvNet (convolução)
3. Segmentação semântica (usando rede FCN) - segmente objetos de diferentes categorias e depois pinte-os (para categorias aproximadas)
4. Segmentação de instância - Segmente e pinte os objetos de diferentes instâncias (por exemplo, objetos de instância)
Declaração de direitos autorais: O conteúdo de aprendizado e as imagens acima vêm ou referem-se a - Badou Artificial Intelligence
Se o artigo for útil para você, lembre-se de apoiá-lo com um clique ~