PyTorch实战计算机视觉 | 第1章 浅谈人工智能、神经网络和计算机视觉
本文为《深度学习之PyTorch实战计算机视觉》(唐进民著)一书的学习笔记。目录1.1 人工还是智能1.1 人工还是智能弱人工智能与强人工智能弱人工智能:在特定领域决特定问题的人工智能,需要人的参与强人工智能(通用人工智能/完全人工智能):能够在各领域工作,可完全替代人。1.2 人工智能的三起两落1.2.1 两起两落1、第一起人工智能学科诞生的标志(1956):美国达特茅斯会议(Dartmouth
本文为《深度学习之PyTorch实战计算机视觉》(唐进民著)一书的学习笔记。
1.1 人工还是智能
弱人工智能与强人工智能
- 弱人工智能:在特定领域决特定问题的人工智能,需要人的参与
- 强人工智能(通用人工智能/完全人工智能):能够在各领域工作,可完全替代人。
1.2 人工智能的三起两落
1.2.1 两起两落
1、第一起
人工智能学科诞生的标志(1956):美国达特茅斯会议(Dartmouth)上首次提出“人工智能”的概念,这是人类历史上第一个有真正意义的关于人工智能的研讨会。
2、第一落
《莱特希尔报告》(1973):该报告指出,人工智能的任何部分都没有达到科学家一开始承诺达到的水平。
3、第二起
专家系统的出现(1980s):专家系统是指解决特定领域的能力已达到专家水平。
其核心是通过运用专家多年积累的丰富经验和专业知识,不断模拟专家解决问题的思维,处理只有专家才能处理的问题。
4、第二落
专家系统缺点的暴露:专家系统的应用领域狭窄,在很多方面缺乏常识性知识和专业理论的支撑。
1.2.2 卷土重来
机器学习、深度学习等技术成为人工智能的主流,再加上大数据和计算机硬件的快速发展,使人工智能再次卷土重来。
1、人工智能、机器学习、深度学习之间的关系:人工智能>机器学习>深度学习
2、机器学习:又被称作“统计学习法”
机器学习和深度学习技术的共同特点:它们都需要使用尽可能多的数据来完成对自身模型的训练,才能使输出的模型拥有强大的泛化能力。
3、计算机视觉是人工智能学科中最能体现智能成分的技术,应用最好的是深度学习方法。
4、深度学习方法解决计算机视觉问题的过程类似于人类学习过程:通过学习总结出图片的特征,最后输出一个能够预测图片类别的理想模型。
5、卷积神经网络是人工神经网络的变化和升级,通过模拟人类大脑的工作原理发明。
1.3 神经网络简史
神经网络的概念源自生物学科,人工神经网络是科学家根据人脑中生物神经网络的工作原理抽象出的一种可以用数学进行定义的模型,但仅限于认知领域。
1.3.1 生物神经网络和人工神经网络
基本单位:生物神经细胞(生物神经元)。
生物神经元的组成:树突、轴突、突触。
- 树突:信息输入端
- 轴突:信息输出端
- 突触:本神经元和外部神经元的接口
生物神经元传递信息的肌理:树突接收外部神经元传入的信息,若达到神经元内定义的阈值,则被激活,本神经元将通过轴突将信息传到突触,最后由突触将信息传到邻接神经元。
1.3.2 M-P模型
W.S.McCulloch和W.Pitts于1943年根据生物盛景园的生物特性和运行肌理发明。
数学表达式:
运行肌理:
- 输入:[x_1, ..., x_n]
- 处理输入信息:对输入进行加权求和
- 将处理后的信息送入激活函数,若满足阈值则输出
逻辑与门、或门、非门的详细知识见Huang的这篇博文。
1.3.3 感知机的诞生
- 1957年,科学家Frank Rosenblatt提出了一种具有单层计算单元的神经网络模型,这种模型也叫作感知机(Perceptron)。
- 感知机被使用的初衷是解决二分类问题。
感觉跟SVM是一个意思?只能处理线性可分问题。
数学表表达式:
1.3.4 你好,深度学习
模型的深度是一把双刃剑,网络的层次太深可能会导致梯度消失,即模型失去了自我学习和优化的能力。
1.4 计算机视觉
传统计算机视觉模型大致分为:信息收集、信息分析、信息处理。
1.5 深度学习+
深度学习的一些应用:
- 图片分类
- 图像的目标识别和语义分割:目标识别仅用方框标出类别对象和标签,语义分割则会用同一种像素对同一对象进行标记
- 自动驾驶
- 风格迁移
更多推荐
所有评论(0)