人工智能算法综述（一）.pdf下载

[weixin_39821051]

⼈⼯智能算法综述（⼀） ⼈⼯智能算法综述（⼀） 　　"那⼀些被认作常识的东西，是不是只是时代的附属品？从整个历史的长河去看待，也许是⼀些莫名其妙或者残忍⾄极的怪事⽽已" 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　 　　2017-2018 这两年因为⼀些爆炸式的AI应⽤，导致⼜把公众的视野转向这个⽅向发展，⾃图灵提出"图灵测试"之后，AI已 经爆发了两次热潮，相应的也跌⼊了两次低⾕，⽬前看应该是进⼊了第三次的热潮，但是之后是迎来"奇点"，还是第三次低 ⾕，尚不可知。 　　强⼈⼯智能（也就是通⽤⼈⼯智能），或者说机器的⾃我意识，⾃然是⼀个终极⽬标，但是当我们朝着这个⽬标⾏进的 时候，总会获得⼀些⼩奖励，这些⼩奖励就是现在的弱⼈⼯智能，⼀些很实⽤的算法理论跟应⽤，虽然落地还有⼀些难度， 但是整体趋于成熟，商⽤的应⽤已经开始遍地开花，短时间内将会引发全⾏业AI+，所有业务都会被AI刷新⼀遍，当然有⼈ 会说⼀堆职业要消亡了，⼜有很多⼈要下岗了。但是也同样会创造出更多的职业与岗位。⽽且⾃有⼈类以来，这件事我们也 ⼲过不少次了（前三次⼯业⾰命），完全不⽤惊慌，历史的车轮滚滚⽽⾏，总会丢下⼀部分⼈，⼜载上另外⼀部分⼈，时代 就是逆⽔⾏⾈，不进则退，总要保持学习，保持上进，保持饥渴。如果时代抛弃了你连⼀句再见也不说，那你就得赶紧加快 脚步上去揍它⼀顿。 --------------（这看上去像⼀根线）-------------------- 　　闲话少说，为各位呈上各类流弊的算法简介（通俗易懂的说明，具体细节不表），可能会有些地⽅讲的不对，希望能得 到⼀点友情提醒，我会⽴马修正。 CNN：卷积神经⽹络 　　我在上⼀篇关于 tensorflow(⾕歌开源AI框架)的踩坑⽇志有说过⼀点关于卷积神经⽹络的基本原理。 　　就是卷积层+N层神经⽹络BP层（也叫全链接层） 关于 BP的原理我之前有写过⼀篇了，翻回去看看就有了。 　　那卷积层具体是什么呢？很像是⼀个滤镜层，我们知道实际上图像是由每个像素点组成的矩阵，然后每个像素点⼜可以 由 RGB 3原⾊的数值表⽰范围是（0-255） 如果做⼀次灰度处理，那么每个像素点就是由0-255的灰度数值表⽰。那图像就 等同于 ⼀个 2维的 数字矩阵。 当然如果颜⾊想保留的话，不做灰度处理的话，RGB就等同于3个不同的矩阵，长宽是⼀样 的。⾥⾯的数值不同⽽已。 　　那我们回到卷积层，就是拿⼀个卷积核在这个矩阵上滚⼀遍（矩阵相乘）得出⼀个新的矩阵。卷积核也是⼀个⼩的2维 矩阵，不同数值的卷积核，可以对这张图⽚提取的信息不同，这就是图像的特征， ⽐如说把⼀个专门提取竖线的卷积核在原 始图⽚上滚⼀遍，就能获得⼀个全部都是竖线的特征图。如果我们要做⼀个⽵⼦的识别器，肯定要⽤这个特征了。但是如果 要做⼀个篮球的识别器，就⽤不上了，⽤或者不⽤，这是由BP层决定的。但是提取的⼯作还是要做的，但是怎么决定卷积核 应该是由什么数值构成呢？随机! 因为这个算法⽐较通⽤，可以做成识别各种东西，所以卷积核应该是任意特征都能提取 的，那只要⽣成1000，1W ，或者1亿个卷积核，每个都在这个图像上滚⼀遍，就能提取1亿种特征了。如果最后BP层只⽤到 其中⼀个特征就能识别⽵⼦或者篮球。那岂不是⾮常浪费，所以卷积核的数量要根据识别复杂度⽽定。否则计算量很可怕。 　　当然CNN⾥⾯还有很多细节，⽐如池化层，归⼀化，dropout 。 池化层也有⼏种不同的⽅法，如果是求均值就是mean pooling，求最⼤值就是max pooling 池化就是降维⽐较好理解⼀点吧，为了减少计算量。 归⼀化（Normalization，也叫规范化）是为了让数据在⽹络中传输的时候不要太⼤，或者太⼩，或者太稀疏。 　　早前的⼀些归⼀化⽅法 看这篇 《归⼀化⽅法总结》 后来google 有⼀篇论⽂讲了另外⼀种⽅式 Batch Normalization 听说效果不错。 dropout是指随机的把⼀些特征失效掉来训练这个⽹络，这样泛化能⼒⽐较强。我⾃⼰实践过⼀次，但是感觉训练过程变得更 久了，波动更⼤了。慎⽤。 全链接层的梯度下降⽅法也有很多种如： 这⾥列了⼀些tensorflow 内置的⼀些梯度下降优化 器 GradientDescentOptimizer，AdagradOptimizer，MomentumOptimizer，AdamOptimizer CNN的算法⾥⾯有很多参数要调，⽐如说⽹络的层数，初始学习率，dropout的概率等等，这类统称为超参数 有⽂章说现在很多CNN的⼯作都是很枯燥的调参数，因为训练⼀次周期很长，超参数的调整⼜跟具体的要识别的东西相关性 很强，⽐如说训练10种类别，跟训练1000种类别 , 相关下载链接：https://download.csdn.net/download/qq_43934844/87505081?utm_source=bbsseo