人工智能應用基礎(chǔ) 課件 項目二 機器學習：找出你是誰

項目二機器學習：找出你是誰人工智能應用基礎(chǔ)0102任務2理解分類問題任務3理解特征與標記任務1認識圖像的表示目錄03任務4認識分類器04任務5了解迭代學習05任務6項目開發(fā)人臉識別：我知道你是誰06人臉識別在安防領(lǐng)域的應用已經(jīng)很多了，警方能夠通過捕捉攝像頭中的影像來確認誰是犯罪嫌疑人；系統(tǒng)能從海量級的人物照片庫中找到被通緝?nèi)藛T。這些功能都可以通過人臉識別技術(shù)實現(xiàn)?；谌四樧R別和大數(shù)據(jù)分析，可以從海量數(shù)據(jù)中根據(jù)目標人物的特征信息，如性別、年齡范圍、著裝顏色等，通過人臉比對分析確定嫌疑人身份。本項目我們來學習該案例中蘊藏的機器分類技術(shù)。通過使用現(xiàn)有機器學習框架模塊，實現(xiàn)對人臉圖片的分類，判斷圖片中是誰。項目二機器學習：找出你是誰項目一人工智能：軌道交通智慧之門01知識目標02能力目標03素質(zhì)目標任務1認識人工智能任務1認識圖像的表示計算機是怎么表示彩色圖像的？任務1認識圖像的表示在計算機里，對于彩色圖像用紅（R）、綠（G）、藍（B）三基色來表示，用紅（R）、綠（G）、藍（B）三個數(shù)字來表示一個顏色，每個基本顏色的值為0-255，數(shù)值的大小表示這個顏色分量的明暗程度，數(shù)值越大，表示該基本顏色的比例越大。任務1認識圖像的表示通過不同比例的調(diào)和，會呈現(xiàn)出我們?nèi)搜鬯芸吹降娜魏晤伾Ｈ蝿?認識圖像的表示任務1認識圖像的表示（255，0，0）表示純紅色；任務1認識圖像的表示（0，255，0）表示純綠色；任務1認識圖像的表示（0，0，255）表示純藍色；任務1認識圖像的表示白色怎么表示？黑色怎么表示？灰色怎么表示？（255，255，255）（0，0，0）（100，100，100）任務1認識圖像的表示一幅圖像是由一個個小格子組成的，每個小格子是一個色塊。如果用不同的數(shù)字表示不同的顏色，圖像就可以表示成一個由數(shù)字組成的矩形陣列，稱為矩陣，這樣圖像就會存儲在計算機中。這里的小格子稱為像素，格子的行數(shù)和列數(shù)統(tǒng)稱為分辨率。反過來，如果給出一個數(shù)字組成的矩陣，將矩陣中的每個數(shù)值轉(zhuǎn)換為對應的顏色，并在計算機屏幕上顯示出來，就可以重現(xiàn)這幅圖像。任務1認識圖像的表示任務1認識圖像的表示用三種顏色的不同比例（數(shù)字）就可以表示很多種顏色，可見，一張彩色圖像就可以用三張由數(shù)字組成的陣列來表示，如圖2-7所示，這些數(shù)字陣列稱為三階張量。三階張量的長度和寬度為圖像的分辨率，高度為3，即彩色圖像有3個通道，灰度圖像只有一個通道。任務2理解分類問題任務2理解分類問題分類就是在樣本集中，通過已知樣本的特征和屬性，將樣本劃分到已有的類別中。也就是說，這些類別是已知的，通過對已知樣本數(shù)據(jù)進行訓練和學習，找到能區(qū)分數(shù)據(jù)類別的特征，再通過這些特征對待分類數(shù)據(jù)進行分類。子任務1了解分類原理子任務2掌握圖像分類步驟及應用任務2理解分類問題子任務1了解分類原理圖像分類是以圖像的像素關(guān)聯(lián)信息為基礎(chǔ)，通過計算機獲取圖像的特征之后進行歸納，然后分類識別的過程。圖像分類問題的原理是根據(jù)已經(jīng)帶有類別標簽的圖像數(shù)據(jù)集，對待分類圖像進行歸類，從已有類別集合中得到待分類圖像標簽，最終確定待分類圖像歸屬類別的過程。任務2理解分類問題子任務1了解分類原理如圖2-8所示，將水果圖片進行分類，利用計算機從類別標簽集合中找到水果對應的類別。該過程看起來比較簡單，是因為人類的視覺系統(tǒng)能直接將眼睛獲得的圖像信息進行語義的轉(zhuǎn)化。任務2理解分類問題子任務1了解分類原理但對于計算機來說，卻是計算機視覺領(lǐng)城研究的關(guān)鍵問題之一，計算機視覺領(lǐng)域中的目標檢測、圖像分割、動態(tài)跟蹤、人體分析、人臉識別等高層視覺分析都是以圖像分類操作為基礎(chǔ)。機器學習中圖像分類通常采用基于數(shù)據(jù)驅(qū)動的方法。該方法的原理是從計算機讀入大量數(shù)據(jù)，然后讓計算機學習數(shù)據(jù)的屬性，最終學到每一類的特征。任務2理解分類問題子任務2掌握圖像分類步驟及應用圖像分類是分類問題的一個分支，一般包含三個步驟：①輸人數(shù)據(jù)：向分類模型輸入包含N個圖像的集合，其中每個圖像的標簽是K種分類標簽中的一種。這個集合稱為訓練集。②學習過程：使用訓練集來學習每個類的特征。也稱該過程為訓練分類器模型。任務2理解分類問題子任務2掌握圖像分類步驟及應用③評價過程：利用訓練好的分類器來預測它未曾見過的圖像數(shù)據(jù)集（也稱為測試集）的分類標簽，并以此來評價分類器的質(zhì)量。如果預測的圖像標簽的正確率達到一定的標準，就認為這個分類模型訓練成功，否則將進行步驟②繼續(xù)學習，直到達到評價標準為止。任務3理解特征與標記任務3理解特征與標記特征是一事物異于其他事物的特點。通常我們通過物體的特征來區(qū)分物體的類別，這是最有效的方式。如圖2-8中的4張圖片，設(shè)想一下，采用什么樣的特征可以更好地區(qū)分它們呢？任務3理解特征與標記如果用“是否為圓形”作為一個特征，可以區(qū)分香蕉和梨，也可以區(qū)分草莓和蘋果；如果再用“是否為紅色”作為第二個特征，就可以區(qū)分是草莓或蘋果還是香蕉和梨，如表2-1所示，這樣就可以準確地區(qū)分這四張圖片所屬的類別了。任務3理解特征與標記對于人類而言，只要看一次照片，這些特征就會被大腦獲取，“紅色”+“圓形”特征的圖片就是蘋果。但對于計算機而言，一幅圖片就是以某種特定格式存儲在存儲器的一串數(shù)據(jù)。讓計算機通過相關(guān)的一系列的計算，從這些數(shù)據(jù)中提取“是否為圓形”這樣的特征是非常困難的事情。任務3理解特征與標記圖像的分類問題最終會回答哪一幅圖像屬于哪一個類別，也就是說，每個圖像都有自己所屬的類別，這個類別就是標記，也稱為標簽。如表2-1中的蘋果、梨、香蕉等稱為標記。訓練分類模型所采用的訓練數(shù)據(jù)集是帶有標記的，而這個數(shù)據(jù)集需要人工標記。只有帶有標記的訓練集才能被分類模型所學習，才能使用學到的“知識”判斷測試圖像類別。任務3理解特征與標記數(shù)據(jù)標記需要標記員借助某種標注工具，例如，使用labelme、lab