人臉識別是什么 什么是深度學(xué)習(xí)

以前學(xué)過人工智能算法，但是只是做了比較簡單的項目像手寫識別和貓狗識別等等，對算法掌握的比較淺顯，一直以來特別想做一個能夠做一個能夠識別自己的小程序，感覺很酷，小牛希望通過這個項目繼續(xù)深入學(xué)習(xí)研究相關(guān)算法，本系列文章僅記錄筆者從小白開始的學(xué)習(xí)歷程。

人臉識別是什么？

人臉識別，特指利用分析比較人臉視覺特征信息進(jìn)行身份鑒別的計算機(jī)技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行臉部識別的一系列相關(guān)技術(shù)，通常也叫做人像識別、面部識別。

查閱相關(guān)資料發(fā)現(xiàn)，人臉識別的關(guān)鍵點(diǎn)是：目標(biāo)檢測，關(guān)鍵點(diǎn)定位，活體檢測，相識度度量，人臉屬性回歸

什么是深度學(xué)習(xí)？

關(guān)于深度學(xué)習(xí)的前世今生，深度學(xué)習(xí)屬于機(jī)器學(xué)習(xí)的一個分支，機(jī)器學(xué)習(xí)是實現(xiàn)人工智能的一個途徑，即以機(jī)器學(xué)習(xí)為手段解決人工智能中的問題。機(jī)器學(xué)習(xí)在近30多年已發(fā)展為一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計學(xué)、逼近論、凸分析、計算復(fù)雜性理論等多門學(xué)科。

目前我們?nèi)祟愃v的人工智能，其實是弱人工智能，其不是能夠能真正地推理和解決問題的智能機(jī)器，其實是只不過“看起來”像是智能的，也不會有自主意識。我們通過給它大量的訓(xùn)練數(shù)據(jù)，讓它去學(xué)習(xí)其這些數(shù)據(jù)內(nèi)在的特征和關(guān)系，使其能夠處理類似訓(xùn)練數(shù)據(jù)的實際問題。

機(jī)器學(xué)習(xí)中有許多經(jīng)典的算法，其中有一個叫 人工神經(jīng)網(wǎng)絡(luò) 的算法，隱藏層比較多（大于2）的神經(jīng)網(wǎng)絡(luò)叫做深度神經(jīng)網(wǎng)絡(luò)。而深度學(xué)習(xí)，就是使用深層架構(gòu)（比如，深度神經(jīng)網(wǎng)絡(luò)）的機(jī)器學(xué)習(xí)方法。深度學(xué)習(xí)通俗點(diǎn)講就是神經(jīng)網(wǎng)絡(luò)的升級版。

這里簡單介紹一下相關(guān)概念，大家感興趣，可以去看一下斯坦福大學(xué)公開課:機(jī)器學(xué)習(xí)課程 或者這篇文章 （小牛感覺寫的太牛了，有種通透的趕腳~~）

什么是感知器？

感知器（英語：Perceptron）是Frank Rosenblatt在1957年就職于康奈爾航空實驗室（Cornell Aeronautical Laboratory）時所發(fā)明的一種人工神經(jīng)網(wǎng)絡(luò)。它可以被視為一種最簡單形式的前饋神經(jīng)網(wǎng)絡(luò)，是一種二元線性分類器。

神經(jīng)網(wǎng)絡(luò)的組成單元——神經(jīng)元。神經(jīng)元也叫做感知器。

感知器有如下部分：輸入權(quán)值，激活函數(shù)，輸出

• 輸出權(quán)值：一個感知器可以接收多個輸入 ,... ，一個輸入上有一個權(quán)值 ，此外還有一個偏置項b。
• 激活函數(shù)：感知器的激活函數(shù)可以有很多選擇，我們選擇這個經(jīng)典的階躍函數(shù)來作為激活函數(shù)：
• 輸出：

任何線性分類或線性回歸問題，都可以用感知器來解決

多層感知器(MLP)也稱人工神經(jīng)網(wǎng)絡(luò)(ANN)

深度學(xué)習(xí)中的概念變遷：神經(jīng)元->感知器->神經(jīng)網(wǎng)絡(luò)->深度學(xué)習(xí)

前向運(yùn)算

神經(jīng)網(wǎng)絡(luò)的前向運(yùn)算，就是給定一組輸入，計算輸出的過程。

對于前向傳播來說，不管維度多高，其過程都可以用如下公式表示：

假設(shè)上一層結(jié)點(diǎn)輸入1，輸入2，輸入3,…等一些結(jié)點(diǎn)與本層的結(jié)點(diǎn)有連接，那么本層結(jié)點(diǎn)的值就是通過上一層的輸入1，輸入2，輸入3結(jié)點(diǎn)以及對應(yīng)的連接權(quán)值進(jìn)行加權(quán)和運(yùn)算，最終結(jié)果再加上一個偏置項（圖中為了簡單省略了），最后在通過一個非線性函數(shù)（即激活函數(shù)），如ReLu，sigmoid等函數(shù)，最后得到的結(jié)果就是本層結(jié)點(diǎn)的輸出。最終不斷的通過這種方法一層層的運(yùn)算，得到輸出層結(jié)果。

σ() = σ(* +)

其中，上標(biāo)代表層數(shù)，星號表示卷積，b表示偏置項bias，σ 表示激活函數(shù)。

假設(shè)我們構(gòu)造了一個神經(jīng)網(wǎng)絡(luò)如下圖：

公式如下：

其中f函數(shù)是本圖規(guī)定的算法，Wij就是相鄰兩層神經(jīng)元之間的權(quán)值， 是對x1,x2,x3進(jìn)行線性組合， 是都 ，， 的線性組合

如何計算每層權(quán)值與偏值，f函數(shù)該如何定義，已知具體哪層，求其層的參數(shù)是多少？后面文章會一一道來。

明天再繼續(xù)，概念還是挺抽象的，把概念寫明白還是挺累的，腦袋要炸了。

參考：https://www.jiqizhixin.com/graph/technologies/f9849d6c-6262-4c1f-8f42-6d976be17161

https://www.zybuluo.com/hanbingtao/note/433855

https://cloud.tencent.com/developer/news/390591