正文

人工智能舉出三個(gè)經(jīng)典概念（人工智能舉出三個(gè)經(jīng)典概念的例子）

發(fā)布時(shí)間：2023-03-16 02:30:50 稿源：創(chuàng)意嶺閱讀： 1548 問大家

大家好！今天讓創(chuàng)意嶺的小編來(lái)大家介紹下關(guān)于人工智能舉出三個(gè)經(jīng)典概念的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來(lái)看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁(yè)版、PC客戶端

官網(wǎng)：https://ai.de1919.com

本文目錄:

1、名詞解釋——人工智能
2、關(guān)于人工智能
3、AI人工智能-CNN概念輕松入門
4、人工智能一般有哪幾種類型？

人工智能舉出三個(gè)經(jīng)典概念（人工智能舉出三個(gè)經(jīng)典概念的例子）

一、名詞解釋——人工智能

人工智能是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。人工智能是

擴(kuò)展資料：

AI的核心問題包括建構(gòu)能夠跟人類似甚至超越的推理、知識(shí)、規(guī)劃、學(xué)習(xí)、交流、感知、移動(dòng)和操作物體的能力等。人工智能當(dāng)前仍然是該領(lǐng)域的長(zhǎng)遠(yuǎn)目標(biāo)。當(dāng)前強(qiáng)人工智能已經(jīng)有初步成果，甚至在一些影像識(shí)別、語(yǔ)言分析、棋類游戲等等單方面的能力達(dá)到了超越人類的水平。

而且人工智能的通用性代表著，能解決上述的問題的是一樣的AI程序，無(wú)須重新開發(fā)算法就可以直接使用現(xiàn)有的AI完成任務(wù)，與人類的處理能力相同，但達(dá)到具備思考能力的統(tǒng)合強(qiáng)人工智能還需要時(shí)間研究，比較流行的方法包括統(tǒng)計(jì)方法，計(jì)算智能和傳統(tǒng)意義的AI。

當(dāng)前有大量的工具應(yīng)用了人工智能，其中包括搜索和數(shù)學(xué)優(yōu)化、邏輯推演。而基于仿生學(xué)、認(rèn)知心理學(xué)，以及基于概率論和經(jīng)濟(jì)學(xué)的算法等等也在逐步探索當(dāng)中。思維來(lái)源于大腦，而思維控制行為，行為需要意志去實(shí)現(xiàn)，而思維又是對(duì)所有數(shù)據(jù)采集的整理，相當(dāng)于數(shù)據(jù)庫(kù)，所以人工智能最后會(huì)演變?yōu)闄C(jī)器替換人類。

參考資料來(lái)源：百度百科-人工智能

二、關(guān)于人工智能

“人工智能”（Artificial Intelligence）簡(jiǎn)稱AI。它是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。

人工智能研究如何用計(jì)算機(jī)去模擬、延伸和擴(kuò)展人的智能；如何把計(jì)算機(jī)用得更聰明；如何設(shè)計(jì)和建造具有高智能水平的計(jì)算機(jī)應(yīng)用系統(tǒng)；如何設(shè)計(jì)和制造更聰明的計(jì)算機(jī)以及智能水平更高的智能計(jì)算機(jī)等。

人工智能是計(jì)算機(jī)科學(xué)的一個(gè)分支，人工智能是計(jì)算機(jī)科學(xué)技術(shù)的前沿科技領(lǐng)域。

人工智能與計(jì)算機(jī)軟件有密切的關(guān)系。一方面，各種人工智能應(yīng)用系統(tǒng)都要用計(jì)算機(jī)軟件去實(shí)現(xiàn)，另一方面，許多聰明的計(jì)算機(jī)軟件也應(yīng)用了人工智能的理論方法和技術(shù)。例如，專家系統(tǒng)軟件，機(jī)器博弈軟件等。但是，人工智能不等于軟件，除了軟件以外，還有硬件及其他自動(dòng)化和通信設(shè)備。

人工智能雖然是計(jì)算機(jī)科學(xué)的一個(gè)分支，但它的研究卻不僅涉及到計(jì)算機(jī)科學(xué)，而且還涉及到腦科學(xué)、神經(jīng)生理學(xué)、心理學(xué)、語(yǔ)言學(xué)、邏輯學(xué)、認(rèn)知（思維）科學(xué)、行為科學(xué)和數(shù)學(xué)以及信息論、控制論和系統(tǒng)論等許多學(xué)科領(lǐng)域。因此，人工智能實(shí)際上是一門綜合性的交叉學(xué)科和邊緣學(xué)科。

人工智能主要研究用人工的方法和技術(shù)，模仿、延伸和擴(kuò)展人的智能,實(shí)現(xiàn)機(jī)器智能。有人把人工智能分成兩大類：一類是符號(hào)智能，一類是計(jì)算智能。符號(hào)智能是以知識(shí)為基礎(chǔ)，通過推理進(jìn)行問題求解。也即所謂的傳統(tǒng)人工智能。計(jì)算智能是以數(shù)據(jù)為基礎(chǔ)，通過訓(xùn)練建立聯(lián)系，進(jìn)行問題求解。人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊系統(tǒng)、進(jìn)化程序設(shè)計(jì)、人工生命等都可以包括在計(jì)算智能。

傳統(tǒng)人工智能主要運(yùn)用知識(shí)進(jìn)行問題求解。從實(shí)用觀點(diǎn)看，人工智能是一門知識(shí)工程學(xué)：以知識(shí)為對(duì)象，研究知識(shí)的表示方法、知識(shí)的運(yùn)用和知識(shí)獲取。

人工智能從1956年提出以來(lái)取得了很大的進(jìn)展和成功。1976年Newell 和Simon提出了物理符號(hào)系統(tǒng)假設(shè)，認(rèn)為物理符號(hào)系統(tǒng)是表現(xiàn)智能行為必要和充分的條件。這樣，可以把任何信息加工系統(tǒng)看成是一個(gè)具體的物理系統(tǒng)，如人的神經(jīng)系統(tǒng)、計(jì)算機(jī)的構(gòu)造系統(tǒng)等。80年代Newell 等又致力于SOAR系統(tǒng)的研究。SOAR系統(tǒng)是以知識(shí)塊(Chunking)理論為基礎(chǔ)，利用基于規(guī)則的記憶，獲取搜索控制知識(shí)和操作符，實(shí)現(xiàn)通用問題求解。Minsky從心理學(xué)的研究出發(fā)，認(rèn)為人們?cè)谒麄內(nèi)粘５恼J(rèn)識(shí)活動(dòng)中，使用了大批從以前的經(jīng)驗(yàn)中獲取并經(jīng)過整理的知識(shí)。該知識(shí)是以一種類似框架的結(jié)構(gòu)記存在人腦中。因此，在70年代他提出了框架知識(shí)表示方法。到80年代，Minsky認(rèn)為人的智能，根本不存在統(tǒng)一的理論。1985年，他發(fā)表了一本著名的書《Society of Mind(思維社會(huì))》。書中指出思維社會(huì)是由大量具有某種思維能力的單元組成的復(fù)雜社會(huì)。以McCarthy和Nilsson等為代表，主張用邏輯來(lái)研究人工智能，即用形式化的方法描述客觀世界。邏輯學(xué)派在人工智能研究中，強(qiáng)調(diào)的是概念化知識(shí)表示、模型論語(yǔ)義、演繹推理等。 McCarthy主張任何事物都可以用統(tǒng)一的邏輯框架來(lái)表示，在常識(shí)推理中以非單調(diào)邏輯為中心。傳統(tǒng)的人工智能研究思路是“自上而下”式的，它的目標(biāo)是讓機(jī)器模仿人，認(rèn)為人腦的思維活動(dòng)可以通過一些公式和規(guī)則來(lái)定義，因此希望通過把人類的思維方式翻譯成程序語(yǔ)言輸入機(jī)器，來(lái)使機(jī)器有朝一日產(chǎn)生像人類一樣的思維能力。這一理論指導(dǎo)了早期人工智能的研究。

近年來(lái)神經(jīng)生理學(xué)和腦科學(xué)的研究成果表明，腦的感知部分，包括視覺、聽覺、運(yùn)動(dòng)等腦皮層區(qū)不僅具有輸入/輸出通道的功能，而且具有直接參與思維的功能。智能不僅是運(yùn)用知識(shí)，通過推理解決問題，智能也處于感知通道。

1990年史忠植提出了人類思維的層次模型，表明人類思維有感知思維、形象思維、抽象思維，并構(gòu)成層次關(guān)系。感知思維是簡(jiǎn)單的思維形態(tài)，它通過人的眼、耳、鼻、舌、身感知器官產(chǎn)生表象，形成初級(jí)的思維。感知思維中知覺的表達(dá)是關(guān)鍵。形象思維主要是用典型化的方法進(jìn)行概括，并用形象材料來(lái)思維，可以高度并行處理。抽象思維以物理符號(hào)系統(tǒng)為理論基礎(chǔ)，用語(yǔ)言表述抽象的概念。由于注意的作用，使其處理基本上是串行的.

三、AI人工智能-CNN概念輕松入門

假設(shè)給定一張圖（可能是字母X或者字母O），通過CNN即可識(shí)別出是X還是O，如下圖所示，那怎么做到的呢

如果采用經(jīng)典的神經(jīng)網(wǎng)絡(luò)模型，則需要讀取整幅圖像作為神經(jīng)網(wǎng)絡(luò)模型的輸入（即全連接的方式），當(dāng)圖像的尺寸越大時(shí)，其連接的參數(shù)將變得很多，從而導(dǎo)致計(jì)算量非常大。

而我們?nèi)祟悓?duì)外界的認(rèn)知一般是從局部到全局，先對(duì)局部有感知的認(rèn)識(shí)，再逐步對(duì)全體有認(rèn)知，這是人類的認(rèn)識(shí)模式。在圖像中的空間聯(lián)系也是類似，局部范圍內(nèi)的像素之間聯(lián)系較為緊密，而距離較遠(yuǎn)的像素則相關(guān)性較弱。因而，每個(gè)神經(jīng)元其實(shí)沒有必要對(duì)全局圖像進(jìn)行感知，只需要對(duì)局部進(jìn)行感知，然后在更高層將局部的信息綜合起來(lái)就得到了全局的信息。這種模式就是卷積神經(jīng)網(wǎng)絡(luò)中降低參數(shù)數(shù)目的重要神器：局部感受野。

如果字母X、字母O是固定不變的，那么最簡(jiǎn)單的方式就是圖像之間的像素一一比對(duì)就行，但在現(xiàn)實(shí)生活中，字體都有著各個(gè)形態(tài)上的變化（例如手寫文字識(shí)別），例如平移、縮放、旋轉(zhuǎn)、微變形等等，如下圖所示：

我們的目標(biāo)是對(duì)于各種形態(tài)變化的X和O，都能通過CNN準(zhǔn)確地識(shí)別出來(lái)，這就涉及到應(yīng)該如何有效地提取特征，作為識(shí)別的關(guān)鍵因子。

回想前面講到的“局部感受野”模式，對(duì)于CNN來(lái)說(shuō)，它是一小塊一小塊地來(lái)進(jìn)行比對(duì)，在兩幅圖像中大致相同的位置找到一些粗糙的特征（小塊圖像）進(jìn)行匹配，相比起傳統(tǒng)的整幅圖逐一比對(duì)的方式，CNN的這種小塊匹配方式能夠更好的比較兩幅圖像之間的相似性。如下圖：

以字母X為例，可以提取出三個(gè)重要特征（兩個(gè)交叉線、一個(gè)對(duì)角線），如下圖所示：

假如以像素值"1"代表白色，像素值"-1"代表黑色，則字母X的三個(gè)重要特征如下：

那么這些特征又是怎么進(jìn)行匹配計(jì)算呢？（不要跟我說(shuō)是像素進(jìn)行一一匹配的，汗?。?/p>

這時(shí)就要請(qǐng)出今天的重要嘉賓：卷積。那什么是卷積呢，不急，下面慢慢道來(lái)。

當(dāng)給定一張新圖時(shí)，CNN并不能準(zhǔn)確地知道這些特征到底要匹配原圖的哪些部分，所以它會(huì)在原圖中把每一個(gè)可能的位置都進(jìn)行嘗試，相當(dāng)于把這個(gè)feature（特征）變成了一個(gè)過濾器。這個(gè)用來(lái)匹配的過程就被稱為卷積操作，這也是卷積神經(jīng)網(wǎng)絡(luò)名字的由來(lái)。

卷積的操作如下圖所示：

是不是很像把毛巾沿著對(duì)角卷起來(lái)，下圖形象地說(shuō)明了為什么叫「卷」積

在本案例中，要計(jì)算一個(gè)feature（特征）和其在原圖上對(duì)應(yīng)的某一小塊的結(jié)果，只需將兩個(gè)小塊內(nèi)對(duì)應(yīng)位置的像素值進(jìn)行乘法運(yùn)算，然后將整個(gè)小塊內(nèi)乘法運(yùn)算的結(jié)果累加起來(lái)，最后再除以小塊內(nèi)像素點(diǎn)總個(gè)數(shù)即可（注：也可不除以總個(gè)數(shù)的）。

如果兩個(gè)像素點(diǎn)都是白色（值均為1），那么1 1 = 1，如果均為黑色，那么(-1) (-1) = 1，也就是說(shuō)，每一對(duì)能夠匹配上的像素，其相乘結(jié)果為1。類似地，任何不匹配的像素相乘結(jié)果為-1。具體過程如下（第一個(gè)、第二個(gè)……、最后一個(gè)像素的匹配結(jié)果）：

根據(jù)卷積的計(jì)算方式，第一塊特征匹配后的卷積計(jì)算如下，結(jié)果為1

對(duì)于其它位置的匹配，也是類似（例如中間部分的匹配）

計(jì)算之后的卷積如下

以此類推，對(duì)三個(gè)特征圖像不斷地重復(fù)著上述過程，通過每一個(gè)feature（特征）的卷積操作，會(huì)得到一個(gè)新的二維數(shù)組，稱之為feature map。其中的值，越接近1表示對(duì)應(yīng)位置和feature的匹配越完整，越是接近-1，表示對(duì)應(yīng)位置和feature的反面匹配越完整，而值接近0的表示對(duì)應(yīng)位置沒有任何匹配或者說(shuō)沒有什么關(guān)聯(lián)。如下圖所示：

可以看出，當(dāng)圖像尺寸增大時(shí)，其內(nèi)部的加法、乘法和除法操作的次數(shù)會(huì)增加得很快，每一個(gè)filter的大小和filter的數(shù)目呈線性增長(zhǎng)。由于有這么多因素的影響，很容易使得計(jì)算量變得相當(dāng)龐大。

為了有效地減少計(jì)算量，CNN使用的另一個(gè)有效的工具被稱為“池化(Pooling)”。池化就是將輸入圖像進(jìn)行縮小，減少像素信息，只保留重要信息。

池化的操作也很簡(jiǎn)單，通常情況下，池化區(qū)域是2 2大小，然后按一定規(guī)則轉(zhuǎn)換成相應(yīng)的值，例如取這個(gè)池化區(qū)域內(nèi)的最大值（max-pooling）、平均值（mean-pooling）等，以這個(gè)值作為結(jié)果的像素值。

下圖顯示了左上角2 2池化區(qū)域的max-pooling結(jié)果，取該區(qū)域的最大值max(0.77,-0.11,-0.11,1.00)，作為池化后的結(jié)果，如下圖：

池化區(qū)域往左，第二小塊取大值max(0.11,0.33,-0.11,0.33)，作為池化后的結(jié)果，如下圖：

其它區(qū)域也是類似，取區(qū)域內(nèi)的最大值作為池化后的結(jié)果，最后經(jīng)過池化后，結(jié)果如下：

對(duì)所有的feature map執(zhí)行同樣的操作，結(jié)果如下：

最大池化（max-pooling）保留了每一小塊內(nèi)的最大值，也就是相當(dāng)于保留了這一塊最佳的匹配結(jié)果（因?yàn)橹翟浇咏?表示匹配越好）。也就是說(shuō)，它不會(huì)具體關(guān)注窗口內(nèi)到底是哪一個(gè)地方匹配了，而只關(guān)注是不是有某個(gè)地方匹配上了。

通過加入池化層，圖像縮小了，能很大程度上減少計(jì)算量，降低機(jī)器負(fù)載。

常用的激活函數(shù)有sigmoid、tanh、relu等等，前兩者sigmoid/tanh比較常見于全連接層，后者ReLU常見于卷積層。

回顧一下前面講的感知機(jī)，感知機(jī)在接收到各個(gè)輸入，然后進(jìn)行求和，再經(jīng)過激活函數(shù)后輸出。激活函數(shù)的作用是用來(lái)加入非線性因素，把卷積層輸出結(jié)果做非線性映射。

在卷積神經(jīng)網(wǎng)絡(luò)中，激活函數(shù)一般使用ReLU(The Rectified Linear Unit，修正線性單元)，它的特點(diǎn)是收斂快，求梯度簡(jiǎn)單。計(jì)算公式也很簡(jiǎn)單，max(0,T)，即對(duì)于輸入的負(fù)值，輸出全為0，對(duì)于正值，則原樣輸出。

下面看一下本案例的ReLU激活函數(shù)操作過程：

第一個(gè)值，取max(0,0.77)，結(jié)果為0.77，如下圖

第二個(gè)值，取max(0,-0.11)，結(jié)果為0，如下圖

以此類推，經(jīng)過ReLU激活函數(shù)后，結(jié)果如下：

對(duì)所有的feature map執(zhí)行ReLU激活函數(shù)操作，結(jié)果如下：

通過將上面所提到的卷積、激活函數(shù)、池化組合在一起，就變成下圖：

通過加大網(wǎng)絡(luò)的深度，增加更多的層，就得到了深度神經(jīng)網(wǎng)絡(luò)，如下圖：

全連接層在整個(gè)卷積神經(jīng)網(wǎng)絡(luò)中起到“分類器”的作用，即通過卷積、激活函數(shù)、池化等深度網(wǎng)絡(luò)后，再經(jīng)過全連接層對(duì)結(jié)果進(jìn)行識(shí)別分類。

首先將經(jīng)過卷積、激活函數(shù)、池化的深度網(wǎng)絡(luò)后的結(jié)果串起來(lái)，如下圖所示：

由于神經(jīng)網(wǎng)絡(luò)是屬于監(jiān)督學(xué)習(xí)，在模型訓(xùn)練時(shí)，根據(jù)訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，從而得到全連接層的權(quán)重（如預(yù)測(cè)字母X的所有連接的權(quán)重）

在利用該模型進(jìn)行結(jié)果識(shí)別時(shí)，根據(jù)剛才提到的模型訓(xùn)練得出來(lái)的權(quán)重，以及經(jīng)過前面的卷積、激活函數(shù)、池化等深度網(wǎng)絡(luò)計(jì)算出來(lái)的結(jié)果，進(jìn)行加權(quán)求和，得到各個(gè)結(jié)果的預(yù)測(cè)值，然后取值最大的作為識(shí)別的結(jié)果（如下圖，最后計(jì)算出來(lái)字母X的識(shí)別值為0.92，字母O的識(shí)別值為0.51，則結(jié)果判定為X）

上述這個(gè)過程定義的操作為”全連接層“(Fully connected layers)，全連接層也可以有多個(gè)，如下圖：

將以上所有結(jié)果串起來(lái)后，就形成了一個(gè)“卷積神經(jīng)網(wǎng)絡(luò)”（CNN）結(jié)構(gòu)，如下圖所示：

綜述：卷積神經(jīng)網(wǎng)絡(luò)主要由兩部分組成，一部分是特征提?。ň矸e、激活函數(shù)、池化），另一部分是分類識(shí)別（全連接層），著名的手寫文字識(shí)別卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖：

CNN進(jìn)化歷史：

卷積神經(jīng)網(wǎng)絡(luò)（CNN）近年來(lái)取得了長(zhǎng)足的發(fā)展，是深度學(xué)習(xí)中的一顆耀眼明珠。CNN不僅能用來(lái)對(duì)圖像進(jìn)行分類，還在圖像分割（目標(biāo)檢測(cè)）任務(wù)中有著廣泛的應(yīng)用。CNN已經(jīng)成為了圖像分類的黃金標(biāo)準(zhǔn)，一直在不斷的發(fā)展和改進(jìn)。

CNN的起點(diǎn)是神經(jīng)認(rèn)知機(jī)模型，此時(shí)已經(jīng)出現(xiàn)了卷積結(jié)構(gòu)，經(jīng)典的LeNet誕生于1998年。然而之后CNN的鋒芒開始被SVM等模型蓋過。隨著ReLU、dropout的提出，以及GPU和大數(shù)據(jù)帶來(lái)的歷史機(jī)遇，CNN在2012年迎來(lái)了歷史突破：AlexNet。隨后幾年，CNN呈現(xiàn)爆發(fā)式發(fā)展，各種CNN模型涌現(xiàn)出來(lái)。

CNN的主要演進(jìn)方向如下：

1、網(wǎng)絡(luò)結(jié)構(gòu)加深

2、加強(qiáng)卷積功能

3、從分類到檢測(cè)

4、新增功能模塊

下圖是CNN幾個(gè)經(jīng)典模型（AlexNet、VGG、NIN、GoogLeNet、ResNet）的對(duì)比圖，可見網(wǎng)絡(luò)層次越來(lái)越深、結(jié)構(gòu)越來(lái)越復(fù)雜，當(dāng)然模型效果也是越來(lái)越好：

四、人工智能一般有哪幾種類型？

人工智能是計(jì)算機(jī)應(yīng)用的一個(gè)方向，它的研究領(lǐng)域包括：自然語(yǔ)言處理，知識(shí)表現(xiàn)，智能搜索，推理，規(guī)劃，機(jī)器學(xué)習(xí)，知識(shí)獲取，組合調(diào)度問題，感知問題，模式識(shí)別，邏輯程序設(shè)計(jì)軟計(jì)算，不精確和不確定的管理，人工生命，神經(jīng)網(wǎng)絡(luò)，復(fù)雜系統(tǒng)，遺傳算法。

常見的語(yǔ)音識(shí)別與合成、機(jī)器視覺與圖像處理、智能機(jī)器人和自動(dòng)駕駛都是人工智能的范疇。

以上就是關(guān)于人工智能舉出三個(gè)經(jīng)典概念相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。