人工智能基礎(chǔ) 課件 8.1~8.10 人工智能應(yīng)用展

人工智能應(yīng)用展學(xué)習(xí)目標—8.1—知識目標了解人工智能在圖像領(lǐng)域的應(yīng)用了解人工智能在語言和語音方面的應(yīng)用了解遷移學(xué)習(xí)的基本原理了解生成對抗網(wǎng)絡(luò)的基本原理理解推薦系統(tǒng)的基本原理展廳服務(wù)機器人—8.2—8.2.1人臉識別機器人怎么識別這個人是誰呢？使用了人臉識別和語音交互技術(shù)。8.2.1人臉識別人臉識別的過程中有4個關(guān)鍵的步驟：人臉檢測、人臉對齊、人臉編碼和人臉匹配。人臉檢測的目的是尋找圖片中人臉的位置。當(dāng)發(fā)現(xiàn)有人臉出現(xiàn)在圖片中時，不管這個臉是誰，都會標記出人臉的坐標信息，或者將人臉切割出來。人臉檢測同一個人會有的姿態(tài)和表情，即使這個人大笑或者大哭我們也可以識別出來。機器要做到這一點，就需要將人臉圖像都變換到一個統(tǒng)一的角度和姿態(tài)，這就是人臉對齊，如圖所示。它的原理是找到人臉的若干個關(guān)鍵點，將人臉盡可能變換到標準人臉。人臉對齊人臉編碼經(jīng)過前兩步之后，人臉圖像的像素值會被轉(zhuǎn)換成一串?dāng)?shù)字（向量）。理想情況下，一個人臉會對應(yīng)類似的一串?dāng)?shù)字（向量），如圖所示。每個人臉都有了對應(yīng)的一串?dāng)?shù)字，我們就可以根據(jù)這一串?dāng)?shù)字計算出最匹配的兩串?dāng)?shù)字，從而找出某張圖片對應(yīng)的那個人是誰，如圖所示。人臉匹配8.2.2語音交互語音交互指的是人類與設(shè)備通過自然語音進行信息的交互。使用自動語音識別技術(shù)（ASR）將語音轉(zhuǎn)換為對應(yīng)的指令文本通過自然語言處理（NLP）將此文本轉(zhuǎn)換為對應(yīng)的機器可以理解的語言。使用內(nèi)置的各項功能，處理用戶的指令，最后通過使用語音合成技術(shù)，回復(fù)用戶。人物動漫化—8.3—計算機將人物照片轉(zhuǎn)化成動漫卡通形象采用的是生成對抗網(wǎng)絡(luò)技術(shù)

8.3.1生成對抗網(wǎng)絡(luò)核心思想生成對抗網(wǎng)絡(luò)是由Goodfellow于2014年提出的一種生成模型，其核心思想是“零和博弈”。8.3.2生成模型和判別模型生成對抗網(wǎng)絡(luò)模型主要包括兩部分：生成模型和判別模型。生成模型是指我們可以根據(jù)任務(wù)、通過模型訓(xùn)練輸入的數(shù)據(jù)生成文字、圖像、視頻等數(shù)據(jù)，類似上述籃球運動員不斷訓(xùn)練的過程。判別模型會對生成模型生成的圖像等數(shù)據(jù)進行判斷，判斷其是否是真實的訓(xùn)練數(shù)據(jù)，類似上述籃球教練不斷判斷運動員訓(xùn)練效果的過程。智能音樂創(chuàng)作—8.4—人工智能創(chuàng)作音樂也是借助深度學(xué)習(xí)來實現(xiàn)的。

典型的人工智能創(chuàng)作音樂是借助深度學(xué)習(xí)來實現(xiàn)的，和AlphaGo有著很大的相似之處。借助大量的原始音樂素材，從熱門舞曲到經(jīng)典的輕音樂，深度學(xué)習(xí)的長短期記憶網(wǎng)絡(luò)算法（LSTM）通過分析，找到其中潛在的模式，進而學(xué)習(xí)到節(jié)奏、長度及音符之間的關(guān)系，然后就可以寫出自己的旋律8.4.1人工智能如何創(chuàng)作音樂事實上，任何音樂都是從隨機選擇聲音并將它們組合成一段旋律開始的。早在1787年，莫扎特就提出了一個骰子游戲目的就是隨機地進行聲音選擇。他手工創(chuàng)作了近272個音調(diào)，然后，根據(jù)兩個骰子的總和來選擇一個音調(diào)。8.4.2什么是自動音樂生成

8.4.3怎樣利用深度學(xué)習(xí)實現(xiàn)自動音樂生成利用人工智能創(chuàng)作的音樂，可能是為我們每一個人量身創(chuàng)作的，比如可能參考你的音樂偏好、身體習(xí)慣甚至心跳數(shù)據(jù)，等等。采用深度學(xué)習(xí)的方法創(chuàng)作音樂，也是通過大量的音樂數(shù)據(jù)進行模型訓(xùn)練，之后采用訓(xùn)練好的模型自動生成音樂。

8.4.3怎樣利用深度學(xué)習(xí)實現(xiàn)自動音樂生成利用人工智能創(chuàng)作的音樂，可能是為我們每一個人量身創(chuàng)作的，比如可能參考你的音樂偏好、身體習(xí)慣甚至心跳數(shù)據(jù)，等等。采用深度學(xué)習(xí)的方法創(chuàng)作音樂，也是通過大量的音樂數(shù)據(jù)進行模型訓(xùn)練，之后采用訓(xùn)練好的模型自動生成音樂。遷移學(xué)習(xí)—8.5—遷移學(xué)習(xí)概述遷移學(xué)習(xí)就是把已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新的模型中來幫助新模型訓(xùn)練。考慮到大部分數(shù)據(jù)或任務(wù)是存在相關(guān)性的，所以通過遷移學(xué)習(xí)，我們可以將已經(jīng)學(xué)到的模型參數(shù)通過某種方式來分享給新模型，從而加快并優(yōu)化模型的學(xué)習(xí)效率，不用像大多數(shù)網(wǎng)絡(luò)那樣從零學(xué)習(xí)了。8.5.2深度學(xué)習(xí)和遷移學(xué)習(xí)結(jié)合深度學(xué)習(xí)需要大量的高質(zhì)量標注數(shù)據(jù)，預(yù)訓(xùn)練然后微調(diào)模型是現(xiàn)在深度學(xué)習(xí)中一個非常流行的技巧，以圖像識別領(lǐng)域為例，很多時候會選擇預(yù)訓(xùn)練的ImageNet對模型進行初始化。自動駕駛技術(shù)—8.6—8.6.1自動駕駛級別自動駕駛汽車的自動化程度分為6個等級8.6.2自動駕駛原理自動駕駛汽車的核心是感知能力，它有4種不同視野的眼睛，包括無線雷達、激光雷達、超聲波雷達和攝像頭，通過它們能得到不同的視野。在定位方面自動駕駛汽車使用GPS與慣性策略裝置，再加上高精電子地圖就能夠?qū)崿F(xiàn)非常精準的定位。探測器自動駕駛汽車需要安裝多種探測器，比如激光雷達，即激光探測及測距系統(tǒng)，超聲波雷達、GPS、攝像頭等。自動駕駛汽車攝像頭捕獲的鏡頭通過深度學(xué)習(xí)能夠識別出圖像中包含的物體，比如行人、行車、交通路標等路徑規(guī)劃路徑規(guī)劃主要解決的問題是找到一條最快最安全的從起點到終點的路徑，路徑規(guī)劃中有很多成熟的算法，比如Dijkstra算法、RRT算法等。自動駕駛汽車的路徑規(guī)劃需要考慮多種因素的影響，比如車禍路道、交通擁堵等。推薦系統(tǒng)—8.7—8.7.1推薦系統(tǒng)概述推薦系統(tǒng)通?？梢愿鶕?jù)用戶偏好、商品特征、用戶—商品交易和其他環(huán)境因素（如時間、季節(jié)、位置等）生成推薦結(jié)果。所推薦的物品可以包括電影、書籍、餐廳、新聞條目，等等。8.7.2購物車推薦系統(tǒng)在人工智能應(yīng)用展中積聚了大量的紀念品交易數(shù)據(jù)，我們從各個顧客的購物車中，會發(fā)現(xiàn)買了啤酒的顧客，也很可能買尿不濕。商家可以使用這種有價值的信息來支持各種商業(yè)中的實際應(yīng)用，如市場促銷、庫存管理和顧客關(guān)系管理，等等。本章小結(jié)—8.9—本章通過人工智能應(yīng)用展對目前人工智能的相關(guān)應(yīng)用做了一個概述，介紹了人工智能在圖像、自然語言、音樂、自動駕駛等方面的應(yīng)用，開拓了同學(xué)們的視野和思路，了解人工智能可以應(yīng)用在工作和生