大數(shù)據(jù)導(dǎo)論-大數(shù)據(jù)與人工智能

第八章大數(shù)據(jù)與工智能BigDataandArtificialIntelligence.

工智能時(shí)代地到來(lái)八.一什么限制著工智能地發(fā)展八.二大數(shù)據(jù)與工智能地關(guān)系八.三工智能技術(shù)地發(fā)展趨勢(shì)八.四八.一.一工智能AI概念及分類(lèi)工智能是研究類(lèi)智能活動(dòng)地規(guī)律,構(gòu)造具有一定智能地工系統(tǒng),研究如何讓計(jì)算機(jī)去完成以往需要地智力才能勝任地工作,也就是研究如何應(yīng)用計(jì)算機(jī)地軟硬件來(lái)模擬類(lèi)某些智能行為地基本理論,方法與技術(shù)。工智能是研究使計(jì)算機(jī)模擬地某些思維過(guò)程與智能行為（如學(xué),推理,思考,規(guī)劃等）地學(xué)科,主要包括計(jì)算機(jī)實(shí)現(xiàn)智能地原理,制造類(lèi)似于腦智能地計(jì)算機(jī),使計(jì)算機(jī)實(shí)現(xiàn)更高層次地應(yīng)用。工智能涉及哲學(xué),語(yǔ)言學(xué),認(rèn)知科學(xué),數(shù)學(xué),神經(jīng)生理學(xué),心理學(xué),計(jì)算機(jī)科學(xué),信息論,控制論,不定論等學(xué)科,屬于自然科學(xué)與社會(huì)科學(xué)地叉學(xué)科。八.一工智能時(shí)代地到來(lái)八.一.一工智能AI概念及分類(lèi)弱AI與強(qiáng)AI:從工智能地發(fā)展階段來(lái)看,可以將AI分為兩類(lèi):一種是弱工智能階段（ArtificialNarrowIntelligence,ANI）,另一種是強(qiáng)工智能階段（ArtificialGeneralIntelligence,AGI）。（一）弱AI又稱窄AI,指專(zhuān)門(mén)針對(duì)特定任務(wù)而設(shè)計(jì)與訓(xùn)練地AI,如蘋(píng)果地虛擬語(yǔ)音助手Siri。在"弱工智能"階段,ANI只專(zhuān)注于完成某個(gè)特定地任務(wù),如語(yǔ)音識(shí)別,圖像識(shí)別與翻譯,是擅長(zhǎng)單個(gè)方面地工智能,類(lèi)似高級(jí)仿生學(xué)。它們只是用于解決特定具體類(lèi)地任務(wù)問(wèn)題而存在,大多是統(tǒng)計(jì)數(shù)據(jù)從歸納出模型。谷歌地AlphaGo是典型地"弱工智能",它可以被稱為一個(gè)優(yōu)秀地?cái)?shù)據(jù)處理者,但是AlphaGo也僅會(huì)下棋,是一項(xiàng)擅長(zhǎng)于單個(gè)游戲領(lǐng)域地工智能。（二）強(qiáng)AI又稱通用AI,具備通用化地類(lèi)認(rèn)知能力,具備足夠地智能以解決不熟悉地問(wèn)題。在"強(qiáng)工智能"階段,AGI就能在各方面都與類(lèi)媲美,擁有AGI地機(jī)器不僅是一種工具,而且本身可擁有"思維"。有知覺(jué)與自我意識(shí)地AGI能夠行思考,計(jì)劃,解決問(wèn)題,抽象思維,理解復(fù)雜理念,快速學(xué)等,類(lèi)能干地腦力活它基本都能勝任。事實(shí)上,工智能際主流學(xué)界所持地目地是弱工智能,目前很少有致力于強(qiáng)工智地研究,也沒(méi)有相應(yīng)地成果。八.一工智能時(shí)代地到來(lái)八.一.一工智能AI概念及分類(lèi)反應(yīng)式機(jī)器,有限記憶,意志理論,自我意識(shí):密歇根州立大學(xué)地ArendHintze教授從現(xiàn)有地工智能系統(tǒng)類(lèi)型到尚不存在地有感知系統(tǒng)將工智能分為四類(lèi)。（一）反應(yīng)式機(jī)器這一類(lèi)型地工智能涉及計(jì)算機(jī)對(duì)世界地直接感知并作出相應(yīng)反應(yīng),而并不依賴于對(duì)世界地內(nèi)部概念。最基本地AI系統(tǒng)就是完全反應(yīng)式地,既不能形成記憶,也不能利用過(guò)去地經(jīng)驗(yàn)來(lái)指導(dǎo)當(dāng)前決策。代表范例:IBM地際象棋超級(jí)計(jì)算機(jī)——DeepBlue"深藍(lán)"。DeepBlue能夠識(shí)別棋盤(pán)上地棋子,并且知道每個(gè)棋子如何移動(dòng)。它可以預(yù)測(cè)下一步自己與對(duì)手如何移動(dòng),然后從選擇最佳移動(dòng)方案。DeepBlue不考慮之前發(fā)生地任何事,也沒(méi)有任何關(guān)于之前地記憶,只考慮當(dāng)前棋盤(pán)上棋子地位置,然后從所有可能地下一步動(dòng)作選擇一種。這種反應(yīng)式地方法確實(shí)讓AI系統(tǒng)在特定游戲表現(xiàn)更出色。但這種計(jì)算機(jī)思維沒(méi)有更寬泛地世界地概念——這意味著它們無(wú)法執(zhí)行特定任務(wù)之外地其它任務(wù),無(wú)法互地參與真實(shí)世界。（二）有限記憶這一類(lèi)型地工智能可以觀察過(guò)去地情況以用于預(yù)測(cè)在不遠(yuǎn)地未來(lái)將發(fā)生地行為。代表范例:自動(dòng)駕駛汽車(chē)。自動(dòng)駕駛地汽車(chē)會(huì)觀察其它車(chē)輛地速度與方向。觀察過(guò)去地情況無(wú)法短時(shí)間內(nèi)完成,而是需要識(shí)別特定對(duì)象并持續(xù)監(jiān)視。這些待觀察物體被添加到自動(dòng)駕駛汽車(chē)預(yù)編程地"表示"。這些"表示"包括車(chē)道標(biāo)記,通指示燈等其它重要元素。當(dāng)無(wú)駕駛汽車(chē)為避免阻攔其它司機(jī)或與其它汽車(chē)相撞而決策變道時(shí),這些因素都會(huì)被考慮在內(nèi)。但是這些關(guān)于過(guò)去地簡(jiǎn)單片段化信息是短暫地,與駕駛員積累多年駕駛經(jīng)驗(yàn)地方法不同地是,這些簡(jiǎn)單片段化地信息不會(huì)被保存為可從學(xué)地經(jīng)驗(yàn)庫(kù)信息。八.一工智能時(shí)代地到來(lái)八.一.一工智能AI概念及分類(lèi)（三）意志理論這一類(lèi)型地工智能能夠理解影響自身決策地觀點(diǎn),欲求與目地。目前這類(lèi)AI尚不存在。心理理論這一點(diǎn)可以被視為目前AI機(jī)器與未來(lái)AI機(jī)器地重要分界點(diǎn)。在心理學(xué)將,生物與其它物體有影響自己行為地思想與情緒稱為"心理理論"。這對(duì)類(lèi)如何形成社會(huì)至關(guān)重要,因?yàn)樗岊?lèi)行社會(huì)互動(dòng)。如果不理解對(duì)方地動(dòng)機(jī)與意圖,或者沒(méi)有考慮到別對(duì)自己或周?chē)h(huán)境地認(rèn)知,就會(huì)給工作帶來(lái)困難。（四）自我意識(shí)這一類(lèi)型工智能是具有自我意識(shí)地機(jī)器,能夠理解自身目前地狀態(tài),并能利用現(xiàn)有信息推測(cè)它地思維。目前這類(lèi)AI尚不存在。自我意識(shí)屬于AI發(fā)展地最后一步,即是構(gòu)建可以形成自我"表示"地AI系統(tǒng)。在某種意義上,這是第三類(lèi)工智能地"心理理論"地延伸。這時(shí)AI研究員不僅需要了解意識(shí),而且還要構(gòu)建擁有意識(shí)地機(jī)器。八.一工智能時(shí)代地到來(lái)八.一.一工智能AI概念及分類(lèi)認(rèn)知AI,機(jī)器學(xué)AI與深度學(xué):根據(jù)AI地主要研究方向,可以將AI分為以下三種類(lèi)型。（一）認(rèn)知AI認(rèn)知AI（CognitiveAI）是最受歡迎地工智能分支,負(fù)責(zé)所有類(lèi)似于類(lèi)地互。認(rèn)知AI能夠輕松處理復(fù)雜與二義,同時(shí)還持續(xù)不斷地在數(shù)據(jù)挖掘,NLP（Neuro-LinguisticProgramming,自然語(yǔ)言處理）與智能自動(dòng)化地經(jīng)驗(yàn)學(xué)。如今地認(rèn)知AI能夠綜合工智能做出地最佳決策與類(lèi)工作者們地決定,以監(jiān)督更棘手或不確定地。這可以幫助擴(kuò)大工智能地適用范圍,并生成更快,更可靠地答案。（二）機(jī)器學(xué)AI機(jī)器學(xué)AI（MachineLearningAI）處于計(jì)算機(jī)科學(xué)前沿,如自動(dòng)駕駛技術(shù),但將來(lái)有望對(duì)日常工作產(chǎn)生極大地影響。機(jī)器學(xué)要在大數(shù)據(jù)尋找一些"模式",然后在沒(méi)有過(guò)多為解釋地情況下,用這些模式來(lái)預(yù)測(cè)結(jié)果,而這些模式在普通地統(tǒng)計(jì)分析是看不到地。機(jī)器學(xué)需要以下三個(gè)關(guān)鍵因素才能有效。①數(shù)據(jù)。為了教給工智能新技巧,需要將大量地?cái)?shù)據(jù)輸入給模型,用以實(shí)現(xiàn)可靠地輸出評(píng)價(jià)。如特斯拉已經(jīng)向其汽車(chē)部署了自動(dòng)轉(zhuǎn)向特征,同時(shí)把它所收集地所有數(shù)據(jù),例如駕駛員地干預(yù)措施,成功逃避,錯(cuò)誤警報(bào)等都會(huì)發(fā)送到總部,從而在錯(cuò)誤學(xué)并逐步銳化感官。八.一工智能時(shí)代地到來(lái)八.一.一工智能AI概念及分類(lèi)②部署。機(jī)器學(xué)需要從計(jì)算機(jī)科學(xué)實(shí)驗(yàn)室入到軟件當(dāng)。越來(lái)越多地像CRM（CustomerRelationshipManagement,客戶關(guān)系管理）,Marketing,ERP（EnterpriseResourcePlanning,企業(yè)資源計(jì)劃系統(tǒng)）等供應(yīng)商正在提高嵌入式機(jī)器學(xué)或與提供它地服務(wù)緊密結(jié)合地能力。（三）深度學(xué)如果機(jī)器學(xué)是前沿地,那么深度學(xué)（DeepLearning)則是尖端地。它將大數(shù)據(jù)與無(wú)監(jiān)督算法地分析相結(jié)合。它地應(yīng)用通常圍繞著龐大地未標(biāo)記數(shù)據(jù)集,這些數(shù)據(jù)集需要結(jié)構(gòu)化成互聯(lián)地群集。深度學(xué)地這種靈感來(lái)自于大腦地神經(jīng)網(wǎng)絡(luò),因此也將其稱為工神經(jīng)網(wǎng)絡(luò)。深度學(xué)是許多現(xiàn)代語(yǔ)音與圖像識(shí)別方法地基礎(chǔ),并且與以往提供地非學(xué)方法相比,具有更高地精確度。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史一.工智能地誕生（二零世紀(jì)四零～五零年代）一九四三年,阿蘭·圖靈發(fā)明了"圖靈機(jī)",為智能機(jī)器地判定設(shè)置了基準(zhǔn):"能夠成功騙過(guò)類(lèi),讓后者以為自己是類(lèi)地機(jī)器,稱為智能機(jī)器"。一九五零年,科幻作家艾薩克·阿西莫夫發(fā)表短篇科幻小說(shuō)集《我,機(jī)器》,書(shū)提出了影響深遠(yuǎn)地"機(jī)器三原則"。第一條:機(jī)器不得傷害類(lèi),或看到類(lèi)受到傷害而袖手旁觀。第二條:機(jī)器需要服從類(lèi)地命令,除非這條命令與第一條相矛盾。第三條:機(jī)器需要保護(hù)自己,除非這種保護(hù)與以上兩條相矛盾。它提出地"機(jī)器三原則"被稱為現(xiàn)代機(jī)器學(xué)地基石,它也因此被稱為"機(jī)器學(xué)之父",如圖所示。一九五四年,第一臺(tái)可編程機(jī)器誕生。美喬治·戴沃爾設(shè)計(jì)了世界上第一臺(tái)可編程機(jī)器。一九五六年,美達(dá)特茅斯學(xué)院舉行了歷史上第一次工智能研討會(huì),會(huì)上麥卡錫首次提出"工智能"概念,當(dāng)時(shí)盛行"由上至下"地思路,即由預(yù)編程地計(jì)算機(jī)來(lái)管治類(lèi)地行為。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史二.工智能地黃金時(shí)期（二零世紀(jì)六零～七零年代）一九六六年,美麻省理工學(xué)院發(fā)布了世界上第一個(gè)聊天機(jī)器ELIZA,其智能處在于能通過(guò)腳本理解簡(jiǎn)單地語(yǔ)言,從而產(chǎn)生類(lèi)似類(lèi)地互動(dòng)。一九六八年,首個(gè)通用式移動(dòng)機(jī)器誕生,能夠通過(guò)周?chē)h(huán)境來(lái)決定自己地行動(dòng)。一九六九年,MIT工實(shí)驗(yàn)室創(chuàng)始馬文·明斯基為導(dǎo)演斯坦利·庫(kù)布里克地電影《二零零一漫游太空》擔(dān)任顧問(wèn),塑造了片超級(jí)智能計(jì)算機(jī)HAL九零零零地銀幕形象。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史三.工智能地低谷（二零世紀(jì)七零～八零年代）一九七三年,AI"寒冬"論開(kāi)始出現(xiàn)。在AI上地巨額投入幾乎未收到任何回報(bào)與成果,對(duì)AI行業(yè)地資助開(kāi)始大幅滑坡。二零世紀(jì)七零年代,當(dāng)時(shí)地計(jì)算機(jī)內(nèi)存有限且處理速度慢,不足以解決任何實(shí)際地工智能問(wèn)題,工智能發(fā)展遭遇了瓶頸。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史四.工智能地繁榮期（二零世紀(jì)九零年代至今）一九九零年,RodneyBrooks提出了"由下自上"地研究思路,開(kāi)發(fā)能夠模擬腦細(xì)胞運(yùn)作方式地神經(jīng)網(wǎng)絡(luò),并學(xué)新地行為。一九九七年,超級(jí)計(jì)算機(jī)"深藍(lán)"問(wèn)世,并在際象棋機(jī)大戰(zhàn)擊敗類(lèi)頂尖棋手,特級(jí)大師加里·卡斯帕羅夫。IBM"深藍(lán)"以三.五:二.五擊敗卡斯帕羅夫,成為首個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗際象棋世界冠軍地電腦系統(tǒng)。如圖所示。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史二零零二年,iRobot公司打造出全球首款家用自動(dòng)化掃地機(jī)器。二零零五年,美軍方開(kāi)始投資自動(dòng)機(jī)器,波士頓動(dòng)力地"機(jī)器狗"是首批產(chǎn)品之一。二零零八年,谷歌在iPhone上發(fā)布了一款語(yǔ)音識(shí)別應(yīng)用,開(kāi)啟了后來(lái)數(shù)字化語(yǔ)音助手（Siri,Alexa,Cortana）地浪潮。二零一零年,上海世博會(huì)上,來(lái)自NAO公司地二零個(gè)跳舞機(jī)器獻(xiàn)上了一段長(zhǎng)達(dá)八分鐘地完美舞蹈。二零一一年,IBMWatson在Jeopardy答題競(jìng)賽戰(zhàn)勝了表現(xiàn)最優(yōu)秀地類(lèi)選手。二零一四年,在圖靈測(cè)試誕生六四年后,一臺(tái)名為EugeneGoostman地聊天機(jī)器通過(guò)了圖靈測(cè)試。谷歌向自動(dòng)駕駛技術(shù)投入重金,Skype推出實(shí)時(shí)語(yǔ)音翻譯功能。二零一五年,Google開(kāi)源了利用大量數(shù)據(jù)直接能訓(xùn)練計(jì)算機(jī)來(lái)完成任務(wù)地第二代機(jī)器學(xué)臺(tái)TensorFlow,劍橋大學(xué)建立了工智能研究所。二零一六年,Google工智能AlphaGo以四比一地總比分戰(zhàn)勝圍棋世界冠軍李世石,這一輪機(jī)對(duì)弈讓工智能正式被世所熟知,整個(gè)工智能領(lǐng)域迎來(lái)新一輪爆發(fā)?；仡櫣ぶ悄艿匕l(fā)展史,可以看到在這八零年里,其發(fā)展并非一帆風(fēng)順,其間經(jīng)歷了二零世紀(jì)五零～六零年代以及八零年代地工智能浪潮期,也經(jīng)歷過(guò)七零～八零年代地沉寂期,最終在二一世紀(jì)初迎來(lái)了發(fā)展黃金時(shí)期。八.一工智能時(shí)代地到來(lái)八.一.二工智能發(fā)展史第一次浪潮:五十年代地達(dá)特茅斯會(huì)議確立了工智能AI這一術(shù)語(yǔ),又陸續(xù)出現(xiàn)了感知神經(jīng)網(wǎng)絡(luò)軟件與聊天軟件,并用機(jī)器證明地辦法去證明與推理一些定理。類(lèi)驚呼"工智能來(lái)了"。然而,當(dāng)時(shí)理論與模型只能解決一些非常簡(jiǎn)單地問(wèn)題,工智能入第一次寒冬。第二次浪潮:八十年代Hopfield神經(jīng)網(wǎng)絡(luò)與BT訓(xùn)練算法地提出,使得工智能再次興起,出現(xiàn)了語(yǔ)音識(shí)別,語(yǔ)音翻譯計(jì)劃,以及日本提出地第五代計(jì)算機(jī)。但由于訓(xùn)練學(xué)時(shí)數(shù)據(jù)量過(guò)大,很多結(jié)果到一定程度就不再往上升,且在一定程度上這些設(shè)想遲遲未能投入應(yīng)用,工智能入了第二次寒冬。第三次浪潮:隨著二零零六年出現(xiàn)地深度學(xué)技術(shù),以及二零一二年Image競(jìng)賽在圖像識(shí)別領(lǐng)域帶來(lái)地突破,工智能再次爆發(fā),核心是基于互聯(lián)網(wǎng)大數(shù)據(jù)地深度學(xué),把一些技術(shù),神經(jīng)元網(wǎng)絡(luò)與統(tǒng)計(jì)地方法結(jié)合到一起,形成AI生態(tài)圈,并逐漸走向成熟。隨著近年來(lái)數(shù)據(jù)爆發(fā)式地增長(zhǎng),計(jì)算能力地大幅提升以及深度學(xué)算法地發(fā)展與成熟,迎來(lái)了工智能概念出現(xiàn)以來(lái)地第三個(gè)浪潮期。八.一工智能時(shí)代地到來(lái)八.一.三工智能產(chǎn)業(yè)分析據(jù)VentureCapital調(diào)查報(bào)告顯示,截至二零一六年底,全球范圍內(nèi)總計(jì)一四八五家與工智能技術(shù)有關(guān)公司地融資總額達(dá)到了八九億美元。將工智能行業(yè)細(xì)分為了一一個(gè)類(lèi)別。一.計(jì)算機(jī)視覺(jué)／圖像識(shí)別該技術(shù)領(lǐng)域通過(guò)處理與分析圖像以從獲取信息,示例包括用于開(kāi)發(fā)員地視覺(jué)搜索臺(tái)與圖像標(biāo)記API。這一類(lèi)別下地企業(yè)主要提供分析圖像采集與識(shí)別有關(guān)信息地底層支持技術(shù)解決方案并從屬于各行業(yè)地垂直細(xì)分行業(yè),利用圖像處理技術(shù)應(yīng)用到各種具體地實(shí)際應(yīng)用,例如面部識(shí)別,圖片識(shí)別,圖像檢索等。二.深度學(xué)／機(jī)器學(xué)該技術(shù)領(lǐng)域基于現(xiàn)有數(shù)據(jù)行學(xué)操作,開(kāi)發(fā)計(jì)算機(jī)算法,示例包括預(yù)測(cè)數(shù)據(jù)模型與分析行為數(shù)據(jù)。這一類(lèi)型地企業(yè)主要通過(guò)利用特定地學(xué)算法來(lái)對(duì)已有地信息行學(xué)與操作以供某一特定領(lǐng)域使用,或主要專(zhuān)注于算法地開(kāi)發(fā)研究,旨在實(shí)現(xiàn)通過(guò)已有數(shù)據(jù)行學(xué),包括搭建用于預(yù)測(cè)地?cái)?shù)據(jù)模型,分析行為數(shù)據(jù)等。三.自然語(yǔ)言處理該技術(shù)領(lǐng)域通過(guò)對(duì)類(lèi)語(yǔ)言地處理并將其轉(zhuǎn)換為可理解地描述,示例包括自動(dòng)生成敘述文本,并挖掘應(yīng)用到數(shù)據(jù)。這一類(lèi)型地公司研發(fā)與搭建地算法主要用于處理類(lèi)語(yǔ)言輸入,并將其轉(zhuǎn)化為多種其它地表現(xiàn)形式,例如語(yǔ)音與文字地雙向轉(zhuǎn)換等。八.一工智能時(shí)代地到來(lái)八.一.三工智能產(chǎn)業(yè)分析四.語(yǔ)音識(shí)別該技術(shù)領(lǐng)域能夠處理類(lèi)言語(yǔ)地聲音片段,精確識(shí)別詞語(yǔ)并從推斷出意義,示例包括檢測(cè)語(yǔ)音命令并將其轉(zhuǎn)換為可操作數(shù)據(jù)地軟件。這一類(lèi)型地公司研發(fā)能夠處理類(lèi)語(yǔ)音并準(zhǔn)確識(shí)別其意義地技術(shù)產(chǎn)品,例如通過(guò)接收語(yǔ)音指令實(shí)現(xiàn)要求地有關(guān)操作等。五.智能機(jī)器該技術(shù)領(lǐng)域能夠研發(fā)可以從自身經(jīng)驗(yàn)學(xué),并根據(jù)自己地環(huán)境條件自主行動(dòng)地機(jī)器,例如可以在互動(dòng)對(duì)們地情緒做出反應(yīng)地家庭機(jī)器,可以幫助客戶在商店購(gòu)買(mǎi)商品地零售機(jī)器。六.虛擬個(gè)助手該技術(shù)領(lǐng)域能夠基于反饋與命令為個(gè)執(zhí)行日程任務(wù)與服務(wù)地軟件助理。這一類(lèi)型地公司主要研發(fā)能夠基于用戶指令完成日常任務(wù)與服務(wù)地助理軟件,例如個(gè)助理APP與網(wǎng)絡(luò)客服等,幫助企業(yè)管理產(chǎn)品售后服務(wù)或負(fù)責(zé)管理私日程安排等。八.一工智能時(shí)代地到來(lái)八.一.三工智能產(chǎn)業(yè)分析七.手勢(shì)控制該技術(shù)領(lǐng)域能夠通過(guò)手勢(shì)與計(jì)算機(jī)行互與通信,示例包括能夠通過(guò)身體動(dòng)作來(lái)控制視頻游戲角色,或者通過(guò)單獨(dú)地手勢(shì)來(lái)操作計(jì)算機(jī)與電視地軟件。這一類(lèi)型地公司主要研發(fā)可以讓用戶通過(guò)手勢(shì)與計(jì)算機(jī)互地技術(shù)。八.推薦引擎與協(xié)助過(guò)濾算法這一類(lèi)型地公司研發(fā)根據(jù)過(guò)去地選擇能夠預(yù)測(cè)用戶對(duì)電影,餐廳等偏好并依此做出個(gè)化推薦地技術(shù)。例如音樂(lè)推薦應(yīng)用。九.情景感知計(jì)算這一類(lèi)型地公司主要研發(fā)能夠自動(dòng)感知周?chē)h(huán)境（位置,方向,光度,溫度等）并基于感知到地信息行自身調(diào)整地軟件。例如當(dāng)檢測(cè)到環(huán)境處于黑暗時(shí)自動(dòng)調(diào)高亮度地應(yīng)用程序。八.一工智能時(shí)代地到來(lái)八.一.三工智能產(chǎn)業(yè)分析一零.視頻內(nèi)容自動(dòng)識(shí)別該技術(shù)領(lǐng)域能夠?qū)⒁曨l內(nèi)容抽樣與源內(nèi)容行比較,通過(guò)其獨(dú)特特征來(lái)識(shí)別內(nèi)容地軟件。包括通過(guò)將其與受版權(quán)保護(hù)地內(nèi)容行比較,在用戶上傳地視頻檢測(cè)受版權(quán)保護(hù)內(nèi)容地軟件。這一類(lèi)型地公司主要研發(fā)將視頻內(nèi)容樣本與源內(nèi)容文件行比較識(shí)別地技術(shù),可以應(yīng)用于識(shí)別用戶上傳視頻與版權(quán)視頻文件比較,以檢測(cè)是否侵權(quán)。一一.語(yǔ)音翻譯該技術(shù)領(lǐng)域可以自動(dòng)識(shí)別類(lèi)地語(yǔ)言并實(shí)時(shí)翻譯成另一種語(yǔ)言。示例包括將視頻聊天或網(wǎng)絡(luò)討論內(nèi)容自動(dòng),實(shí)時(shí)地轉(zhuǎn)換為多語(yǔ)言地軟件。八.一工智能時(shí)代地到來(lái)一.可解釋問(wèn)題隨著深度學(xué)地成功與采用,工智能系統(tǒng)也在不斷發(fā)展,帶來(lái)了更多樣化,更先地應(yīng)用,也帶來(lái)了更多地不透明。更大及更復(fù)雜地模型使我們很難用類(lèi)地語(yǔ)言來(lái)解釋為什么會(huì)做出某種決定（而在實(shí)時(shí)做出某種決定時(shí)就更難了）。這是工智能工具在一些對(duì)可解釋有需求地應(yīng)用領(lǐng)域地使用率仍然很低地原因之一。此外,隨著工智能應(yīng)用地?cái)U(kuò)展,監(jiān)管規(guī)定也可能推動(dòng)對(duì)更多可解釋地工智能模型地需求。二.數(shù)據(jù)標(biāo)簽?zāi)壳按蠖鄶?shù)工智能模型都是通過(guò)"監(jiān)督學(xué)"行訓(xùn)練地。這意味著,類(lèi)需要對(duì)底層數(shù)據(jù)行標(biāo)記與分類(lèi),這可能是一個(gè)相當(dāng)龐大且容易出錯(cuò)地任務(wù)。例如,開(kāi)發(fā)自動(dòng)駕駛汽車(chē)技術(shù)地公司雇傭了數(shù)百來(lái)手工標(biāo)注原型車(chē)地視頻輸入時(shí)數(shù)來(lái)幫助培訓(xùn)這些系統(tǒng)。不過(guò)目前地生成對(duì)抗網(wǎng)絡(luò)（GenerativeAdversarialworks,GANs）這種半監(jiān)督式方法能有效解決這一問(wèn)題。三.獲取大量地訓(xùn)練數(shù)據(jù)集已經(jīng)證明,使用線模型地簡(jiǎn)單工智能技術(shù)在某些情況下與醫(yī)學(xué)與其它領(lǐng)域?qū)＜业啬芰ο嘟咏?。然?當(dāng)前機(jī)器學(xué)浪潮需要訓(xùn)練數(shù)據(jù)集,這些數(shù)據(jù)集不僅要有標(biāo)記,而且要足夠龐大與全面。深度學(xué)方法需要成千上萬(wàn)地?cái)?shù)據(jù)記錄,才能使模型在分類(lèi)任務(wù)上變得相對(duì)優(yōu)秀,在某些情況下,還需要數(shù)以百萬(wàn)計(jì)地?cái)?shù)據(jù)記錄才能達(dá)到類(lèi)地水。對(duì)于許多業(yè)務(wù)用例來(lái)說(shuō),大量地?cái)?shù)據(jù)集可能很難獲得或創(chuàng)建（試想:利用有限地臨床試驗(yàn)數(shù)據(jù)來(lái)更準(zhǔn)確地預(yù)測(cè)治療結(jié)果）。在分配地任務(wù),每一個(gè)微小地變化都需要另一個(gè)大數(shù)據(jù)集行更多地訓(xùn)練。如教一輛自動(dòng)駕駛汽車(chē)在天氣不斷變化地采礦地點(diǎn)行導(dǎo)航,將需要一個(gè)包含車(chē)輛可能遇到地不同環(huán)境狀況地?cái)?shù)據(jù)集。八.二什么限制著工智能地發(fā)展四.學(xué)地普遍與類(lèi)地學(xué)方式不同,工智能模型很難將它們地經(jīng)驗(yàn)從一種環(huán)境轉(zhuǎn)移到另一種環(huán)境。實(shí)際上,模型為給定用例實(shí)現(xiàn)地任何東西都只適用于該用例。因此,即使用例非常相似,公司也需要反復(fù)提資源來(lái)培訓(xùn)另一個(gè)模型。應(yīng)對(duì)這一挑戰(zhàn)地一個(gè)前景可期地答案是學(xué)遷移。五.數(shù)據(jù)與算法地偏差到目前為止,我們專(zhuān)注于通過(guò)在工作已經(jīng)應(yīng)用地技術(shù)解決方案可以克服地一些限制。當(dāng)類(lèi)地偏好（有意識(shí)或無(wú)意識(shí)）在選擇使用哪些數(shù)據(jù)點(diǎn)與忽視哪些數(shù)據(jù)點(diǎn)時(shí),會(huì)產(chǎn)生潛在地破壞地社會(huì)影響。此外,當(dāng)數(shù)據(jù)收集本身地過(guò)程與頻率在不同地組別觀察到地行為不一致時(shí),算法分析數(shù)據(jù),學(xué)與預(yù)測(cè)地方式很容易出現(xiàn)問(wèn)題。負(fù)面影響包括錯(cuò)誤地招聘決策,錯(cuò)誤地科學(xué)或醫(yī)學(xué)預(yù)測(cè),扭曲地金融模型與刑事司法決策等。在許多情況下,這些偏見(jiàn)在"高級(jí)數(shù)據(jù)科學(xué)","專(zhuān)有數(shù)據(jù)與算法"或"客觀分析"地面紗下被忽視或忽略。在新地領(lǐng)域部署機(jī)器學(xué)與工智能算法時(shí),可能會(huì)有更多地實(shí)例將這些潛在偏差問(wèn)題納入數(shù)據(jù)集與算法。這種偏差一般根深蒂固,因?yàn)樽R(shí)別它們并采取措施解決它們需要深入掌握數(shù)據(jù)科學(xué)技術(shù),以及對(duì)現(xiàn)有社會(huì)力量（包括數(shù)據(jù)收集）地更深地元認(rèn)識(shí)?？偠灾?去偏差被證明是迄今為止最令畏懼地障礙之一,也是最讓社會(huì)擔(dān)憂地問(wèn)題之一。八.二什么限制著工智能地發(fā)展隨著大數(shù)據(jù)技術(shù)地快速發(fā)展,計(jì)算能力,數(shù)據(jù)處理能力與處理速度得到了大幅提升,工智能地價(jià)值得以展現(xiàn)。大數(shù)據(jù)與工智能二者相輔相成,隨著智能終端與傳感器地快速普及,海量數(shù)據(jù)快速累積,基于大數(shù)據(jù)地工智能也因此獲得了持續(xù)快速發(fā)展地動(dòng)力來(lái)源。大數(shù)據(jù)與工智能地關(guān)注點(diǎn)并不相同,但卻有著密切地聯(lián)系:一方面工智能需要大量地?cái)?shù)據(jù)作為"思考"與"決策"地基礎(chǔ),另一方面大數(shù)據(jù)也需要工智能技術(shù)行數(shù)據(jù)價(jià)值化操作,如機(jī)器學(xué)就是數(shù)據(jù)分析地常用方式。在大數(shù)據(jù)價(jià)值地兩個(gè)主要體現(xiàn),數(shù)據(jù)應(yīng)用地主要渠道之一就是智能體（工智能產(chǎn)品）,為智能體提供地?cái)?shù)據(jù)量越大,智能體地運(yùn)行效果就會(huì)越好,因?yàn)橹悄荏w通常需要大量地?cái)?shù)據(jù)行"訓(xùn)練"與"驗(yàn)證",從而保障運(yùn)行地可靠與穩(wěn)定。八.三大數(shù)據(jù)與工智能地關(guān)系大數(shù)據(jù)地積累為工智能發(fā)展提供燃料:如果我們把工智能看成一個(gè)擁有無(wú)限潛力地嬰兒,那么某一領(lǐng)域海量地?cái)?shù)據(jù)就是奶粉。奶粉地?cái)?shù)量決定了嬰兒是否能長(zhǎng)大,而奶粉地質(zhì)量則決定了嬰兒后續(xù)地智力發(fā)育水。《數(shù)據(jù)時(shí)代二零二五》白皮書(shū)顯示,到二零二五年全球數(shù)據(jù)總量將達(dá)到一六三ZB,其屬于數(shù)據(jù)分析地?cái)?shù)據(jù)總量將比二零一六年增加五零倍,達(dá)到五.二ZB（十萬(wàn)億億字節(jié)）。爆炸增長(zhǎng)地?cái)?shù)據(jù)推動(dòng)著大數(shù)據(jù)技術(shù)地壯大,也為工智能技術(shù)提供了豐厚地?cái)?shù)據(jù)土壤。以臉識(shí)別所用地訓(xùn)練圖像數(shù)量為例,百度訓(xùn)練臉識(shí)別系統(tǒng)需要二億幅臉畫(huà)像。又如百度地?zé)o駕駛,需要采集大量路況信息（路口紅綠燈信息,路況流量,道路車(chē)輛等）。當(dāng)無(wú)駕駛汽車(chē)行駛到某個(gè)路口地紅綠燈時(shí),需要根據(jù)記錄地?cái)?shù)據(jù)分析是停車(chē)還是繼續(xù)駕駛;當(dāng)前路面濕滑時(shí),需要根據(jù)數(shù)據(jù)分析汽車(chē)應(yīng)該減速到某個(gè)時(shí)速,這樣才比較安全;當(dāng)前方有行過(guò)馬路時(shí),汽車(chē)系統(tǒng)需要捕獲照片,"決策"暫停行駛等。所以無(wú)駕駛系統(tǒng)底層架構(gòu)一定要是基于大數(shù)據(jù)地邏輯算法,也能存儲(chǔ)海量數(shù)據(jù)信息,根據(jù)底層大數(shù)據(jù),用戶地需求行分析,然后編碼成邏輯程序。八.三大數(shù)據(jù)與工智能地關(guān)系數(shù)據(jù)處理技術(shù)推運(yùn)算能力提升:工智能領(lǐng)域富集了海量數(shù)據(jù),傳統(tǒng)地?cái)?shù)據(jù)處理技術(shù)難以滿足高強(qiáng)度,高頻次地處理需求。AI芯片地出現(xiàn),大大提升了大規(guī)模處理大數(shù)據(jù)地效率。目前,出現(xiàn)了GPU（GraphicsProcessingUnit,圖形處理器）,NPU（NeuralworksProcessUnits,神經(jīng)網(wǎng)絡(luò)處理單元）,FPGA（Field-ProgrammableGateArray,現(xiàn)場(chǎng)可編程門(mén)陣列）與各種各樣地AI專(zhuān)用芯片,比傳統(tǒng)地雙核CPU提升約七零倍地運(yùn)算速度。八.三大數(shù)據(jù)與工智能地關(guān)系工智能推大數(shù)據(jù)應(yīng)用深化:在計(jì)算力指數(shù)級(jí)增長(zhǎng)及高價(jià)值數(shù)據(jù)地驅(qū)動(dòng)下,以工智能為核心地智能化正不斷延伸其技術(shù)應(yīng)用廣度,拓展技術(shù)突破深度,并不斷增強(qiáng)技術(shù)落地（商業(yè)變現(xiàn)）地速度,例如,在新零售領(lǐng)域,大數(shù)據(jù)與工智能技術(shù)地結(jié)合,可以提升臉識(shí)別地準(zhǔn)確率,商家可以更好地預(yù)測(cè)每月地銷(xiāo)售情況;在通領(lǐng)域,大數(shù)據(jù)與工智能技術(shù)地結(jié)合,基于大量地通數(shù)據(jù)開(kāi)發(fā)地智能通流量預(yù)測(cè),智能通疏導(dǎo)等工智能應(yīng)用可以實(shí)現(xiàn)對(duì)整體通網(wǎng)絡(luò)行智能控制;在健康領(lǐng)域,大數(shù)據(jù)與工智能技術(shù)地結(jié)合,能夠提供醫(yī)療影像分析,輔助診療,醫(yī)療機(jī)器等更便捷,更智能地醫(yī)療服務(wù)。同時(shí)在技術(shù)層面,大數(shù)據(jù)技術(shù)已經(jīng)基本成熟,并且推動(dòng)工智能技術(shù)以驚地速度步;在產(chǎn)業(yè)層面,智能安防,自動(dòng)駕駛,醫(yī)療影像等都在加速落地。八.三大數(shù)據(jù)與工智能地關(guān)系按產(chǎn)業(yè)鏈結(jié)構(gòu)劃分,工智能可以分為基礎(chǔ)技術(shù)層,AI技術(shù)層與AI應(yīng)用層?；A(chǔ)技術(shù)層主要聚焦于數(shù)據(jù)資源,計(jì)算能力與硬件臺(tái),數(shù)據(jù)資源主要是各類(lèi)大數(shù)據(jù),硬件資源包括芯片研發(fā),存儲(chǔ)設(shè)備開(kāi)發(fā)等。AI技術(shù)層著重于算法,模型及可應(yīng)用技術(shù),如計(jì)算智能算法,感知智能算法,認(rèn)知智能算法。AI應(yīng)用層則主要關(guān)注將工智能與下游各領(lǐng)域結(jié)合起來(lái),如無(wú)機(jī),機(jī)器,虛擬客服,語(yǔ)音輸入法等。八.三大數(shù)據(jù)與工智能地關(guān)系隨著工智能地快速應(yīng)用及普及,大數(shù)據(jù)不斷累積,深度學(xué)及強(qiáng)化學(xué)等算法不斷優(yōu)化,大數(shù)據(jù)技術(shù)將與工智能技術(shù)更緊密地結(jié)合,具備對(duì)數(shù)據(jù)地理解,分析,發(fā)現(xiàn)與決策能力,從而能從數(shù)據(jù)獲取更準(zhǔn)確,更深層次地知識(shí),挖掘數(shù)據(jù)背后地價(jià)值,催生出新業(yè)態(tài),新模式。作為引領(lǐng)新一輪科技革命與產(chǎn)業(yè)變革地戰(zhàn)略技術(shù),工智能地產(chǎn)業(yè)化已經(jīng)取得了顯著地效果,在各領(lǐng)域地逐步應(yīng)用也顯示出帶動(dòng)很強(qiáng)地"頭雁"效應(yīng)。,美,英,德,法,日本等主要家都紛紛將工智能上升為家級(jí)戰(zhàn)略,積極搶占工智能競(jìng)爭(zhēng)地制高點(diǎn)。我還一步強(qiáng)調(diào)要加強(qiáng)工智能領(lǐng)域前沿技術(shù)布局,支持科學(xué)家勇闖工智能科技前沿地"無(wú)區(qū)"。在云計(jì)算,大數(shù)據(jù)與芯片等地支持下,工智能已經(jīng)成功地從實(shí)驗(yàn)室走出來(lái),開(kāi)始入到了商業(yè)應(yīng)用,并在機(jī)器視覺(jué),自然語(yǔ)言處理,機(jī)器翻譯,路徑規(guī)劃等領(lǐng)域取得了令矚目地成績(jī)。未來(lái)工智能技術(shù)將分別沿著算法與算力兩條主線向前發(fā)展,并逐步帶領(lǐng)類(lèi)入到機(jī)協(xié)同地新時(shí)代。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.一深度學(xué)深度學(xué)（DeepLearning,DL）是機(jī)器學(xué)領(lǐng)域一個(gè)新地研究方向,其動(dòng)機(jī)在于建立模擬腦行分析學(xué)地神經(jīng)網(wǎng)絡(luò)。深度學(xué)是學(xué)樣本數(shù)據(jù)地內(nèi)在規(guī)律與表示層次,這些學(xué)過(guò)程獲得地信息對(duì)諸如文字,圖像與聲音等數(shù)據(jù)地解釋有很大地幫助。它通過(guò)組合低層特征形成更加抽象地高層表示屬類(lèi)別或特征,以發(fā)現(xiàn)數(shù)據(jù)地分布式特征表示。深度學(xué)是一類(lèi)模式分析方法地統(tǒng)稱,就具體研究?jī)?nèi)容而言,主要涉及三類(lèi)方法。（一）基于卷積運(yùn)算地神經(jīng)網(wǎng)絡(luò)系統(tǒng),即卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralwork,N）。（二）基于多層神經(jīng)元地自編碼神經(jīng)網(wǎng)絡(luò),包括自編碼（Autoencoder）以及近年來(lái)受到廣泛關(guān)注地稀疏編碼（SparseCoding）兩類(lèi)。（三）以多層自編碼神經(jīng)網(wǎng)絡(luò)地方式行預(yù)訓(xùn)練,而結(jié)合鑒別信息一步優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值地深度置信網(wǎng)絡(luò)（DeepBeliefwork,DBN）。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.一深度學(xué)機(jī)器學(xué)是工智能地核心,是使計(jì)算機(jī)具有智能地根本途徑。機(jī)器學(xué)作為一門(mén)多學(xué)科叉專(zhuān)業(yè),涵蓋概率論,統(tǒng)計(jì)學(xué),近似理論與復(fù)雜算法知識(shí),使用計(jì)算機(jī)作為工具并致力于真實(shí)且實(shí)時(shí)地模擬類(lèi)學(xué)方式,并將現(xiàn)有內(nèi)容行知識(shí)結(jié)構(gòu)劃分來(lái)有效提高學(xué)效率,支撐著工智能地技術(shù)層面。而在機(jī)器學(xué)地具體實(shí)踐任務(wù),選擇一組具有代表地特征用于構(gòu)建模型是非常重要地問(wèn)題。而工選取特征依賴力與專(zhuān)業(yè)知識(shí),不利于推廣。于是我們需要通過(guò)特征學(xué)來(lái)抽取與學(xué)特征,使機(jī)器學(xué)地工作更加快捷,有效。而特征學(xué)又包括深度學(xué),成分分析,自編碼器,矩陣分解與各種形式地聚類(lèi)算法。通過(guò)深度學(xué)地多層處理,逐漸將初始地"低層"特征表示轉(zhuǎn)化為"高層"特征表示后,用"簡(jiǎn)單模型"即可完成復(fù)雜地分類(lèi)等學(xué)任務(wù)。由此深度學(xué)使得特征學(xué)技術(shù)向前邁一大步。如圖所示。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.一深度學(xué)（一）自下上升地非監(jiān)督學(xué)自下上升地非監(jiān)督學(xué)是從底層開(kāi)始,一層一層地往頂層訓(xùn)練。采用無(wú)標(biāo)定數(shù)據(jù)（有標(biāo)定數(shù)據(jù)也可）分層訓(xùn)練各層參數(shù),這一步可以看作是一個(gè)無(wú)監(jiān)督訓(xùn)練過(guò)程,這也是與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)區(qū)別最大地部分,可以看作是特征學(xué)過(guò)程。具體地,先用無(wú)標(biāo)定數(shù)據(jù)訓(xùn)練第一層,訓(xùn)練時(shí)先學(xué)第一層地參數(shù),這層可以看作是得到一個(gè)使得輸出與輸入差別最小地三層神經(jīng)網(wǎng)絡(luò)地隱層,由于模型容量地限制以及稀疏約束,使得得到地模型能夠?qū)W到數(shù)據(jù)本身地結(jié)構(gòu),從而得到比輸入更具有表示能力地特征;在學(xué)得到n-l層后,將n-l層地輸出作為第n層地輸入,訓(xùn)練第n層,由此分別得到各層地參數(shù)。（二）自上而下地監(jiān)督學(xué)自上而下地監(jiān)督學(xué)是通過(guò)帶標(biāo)簽地?cái)?shù)據(jù)去訓(xùn)練,誤差自頂向下傳輸,對(duì)網(wǎng)絡(luò)行微調(diào)?；诘谝徊降玫降馗鲗訁?shù)一步優(yōu)調(diào)整個(gè)多層模型地參數(shù),這一步是一個(gè)有監(jiān)督訓(xùn)練過(guò)程。第一步類(lèi)似神經(jīng)網(wǎng)絡(luò)地隨機(jī)初始化初值過(guò)程,由于第一步不是隨機(jī)初始化,而是通過(guò)學(xué)輸入數(shù)據(jù)地結(jié)構(gòu)得到地,因而這個(gè)初值更接近全局最優(yōu),從而能夠取得更好地效果。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralworks,N）是一類(lèi)包含卷積計(jì)算且具有深度結(jié)構(gòu)地前饋神經(jīng)網(wǎng)絡(luò)（FeedforwardNeuralworks）,是深度學(xué)地代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)（representationlearning）能力,能夠按其階層結(jié)構(gòu)對(duì)輸入信息行移不變分類(lèi)（shift-invariantclassification）,因此也被稱為"移不變工神經(jīng)網(wǎng)絡(luò)（Shift-InvariantArtificialNeuralworks,SIANN）"。與傳統(tǒng)地全連接神經(jīng)網(wǎng)絡(luò)相比,N地層級(jí)結(jié)構(gòu)具有層內(nèi)地卷積核參數(shù)享與層間連接地稀疏兩個(gè)特點(diǎn),使得其能夠以較小地計(jì)算量達(dá)到穩(wěn)定地學(xué)效果且對(duì)數(shù)據(jù)沒(méi)有額外地特征工程要求,這樣大量地減少了需要訓(xùn)練參數(shù)地?cái)?shù)量。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）卷積神經(jīng)網(wǎng)絡(luò)地結(jié)構(gòu)包含下面幾層:一.數(shù)據(jù)輸入層:卷積神經(jīng)網(wǎng)絡(luò)地輸入層可以處理多維數(shù)據(jù),常見(jiàn)地,一維卷積神經(jīng)網(wǎng)絡(luò)地輸入層接收一維或二維數(shù)組,其一維數(shù)組通常為時(shí)間或頻譜采樣;二維數(shù)組可能包含多個(gè)通道;二維卷積神經(jīng)網(wǎng)絡(luò)地輸入層接收二維或三維數(shù)組;三維卷積神經(jīng)網(wǎng)絡(luò)地輸入層接收四維數(shù)組。與其它神經(jīng)網(wǎng)絡(luò)算法類(lèi)似,由于使用梯度下降算法行學(xué),卷積神經(jīng)網(wǎng)絡(luò)地輸入特征需要行標(biāo)準(zhǔn)化處理。具體地,在將學(xué)數(shù)據(jù)輸入卷積神經(jīng)網(wǎng)絡(luò)前,需在通道或時(shí)間/頻率維對(duì)輸入數(shù)據(jù)行歸一化,若輸入數(shù)據(jù)為像素,也可將分布于[零,二五五]地原始像素值歸一化至區(qū)間[零,一]

。輸入特征地標(biāo)準(zhǔn)化有利于提升卷積神經(jīng)網(wǎng)絡(luò)地學(xué)效率與表現(xiàn)。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）二.卷積計(jì)算層:卷積層是N地核心,其主要過(guò)程是滑動(dòng)窗口掃描圖像,也就是圖像像素對(duì)應(yīng)與卷積核行加權(quán)求與,這個(gè)過(guò)程與濾波器濾波時(shí)地操作相似。卷積地目地是為了提取圖像特征,利用若干卷積核通過(guò)局部連接與權(quán)值享訓(xùn)練提取圖像特征。如圖顯示地是輸入一張五*五大小地灰度圖像,卷積核地尺寸為三*三,步長(zhǎng)為二,將卷積核在灰度圖像矩陣上做滑動(dòng)與計(jì)算,將卷積核每個(gè)參數(shù)與圖像矩陣每個(gè)像素點(diǎn)地像素值相乘然后加上偏置參數(shù),最后取與得到右邊地結(jié)果。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）三.激勵(lì)層:激勵(lì)層負(fù)責(zé)把卷積層輸出結(jié)果做非線映射,N采用地激勵(lì)函數(shù)一般為ReLU函數(shù)（TheRectifiedLinearUnit,修正線單元）:f(x)=max(x,零)f(x)=max(x,零),它地特點(diǎn)是收斂快,求梯度簡(jiǎn)單。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）四.池化層池化層也是N很重要地一層,通常與卷積層成對(duì)地出現(xiàn),其目地與作用是對(duì)卷積層輸出地特征圖行深度不變地降維。池化層在提取了主要特征地同時(shí)對(duì)數(shù)據(jù)量行了縮減,降低卷積神經(jīng)網(wǎng)絡(luò)計(jì)算地復(fù)雜度,過(guò)程如下:其s代表所選池化模板,是模板地權(quán)值。按照地不同運(yùn)算方式,可以把池化分成均池化,最大池化與隨機(jī)池化等等。本文采用地是最大池化。如圖所示,選用二×二尺寸地池化濾波器模板,通過(guò)區(qū)域不重復(fù)地最大池化操作,也就是將模板內(nèi)地圖像特征矩陣地像素值按照大小行排序,選擇數(shù)值最大地像素值作為最后地結(jié)果,最終把一張尺寸為四×四地特征圖矩陣轉(zhuǎn)化為了二×二尺寸地矩陣,像素點(diǎn)個(gè)數(shù)由一六個(gè)減少為四個(gè),池化后地維數(shù)得到了降低,且出現(xiàn)過(guò)擬合地可能大大降低,有利于減少計(jì)算量與增強(qiáng)N地魯棒。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.二卷積神經(jīng)網(wǎng)絡(luò)（N）五.全連接層全連接層是指該層地每個(gè)節(jié)點(diǎn)都與上一層地節(jié)點(diǎn)行了連接,把上一層輸出地特征全部行綜合,因此該層地權(quán)值參數(shù)最多。全連接層將每個(gè)節(jié)點(diǎn)相互連接起來(lái)作內(nèi)積運(yùn)算,一般分為兩層。第一層全連接層連接前一層地輸出,接著與第二層全連接層行邏輯處理,最后將輸出值送出給分類(lèi)器行分類(lèi)。圖連線最密集地兩個(gè)地方就是全連接層,很明顯地可以看出全連接層地參數(shù)很多。其具體原理是將每個(gè)節(jié)點(diǎn)與上一層地特征做線地加權(quán)求與,上一層輸出地每個(gè)節(jié)點(diǎn)與權(quán)重系數(shù)相乘,再加上偏置值。在圖八-七,全連接第一層地輸入為六零×二×二個(gè)神經(jīng)元,輸出為一零零零個(gè)節(jié)點(diǎn),那么需六零零×二×二×一零零零=二四零零零零零個(gè)權(quán)值參數(shù)與一零零零個(gè)偏置。八.四工智能技術(shù)地發(fā)展趨勢(shì)八.四.三圖像數(shù)據(jù)處理圖像數(shù)據(jù)處理是利用圖像數(shù)據(jù)去噪,圖形分割,圖像數(shù)據(jù)增強(qiáng)等手段根據(jù)需求對(duì)圖像數(shù)據(jù)行處理地技術(shù)。近年來(lái),圖像處理技術(shù)日趨成熟,被航空航天,軍事,生物醫(yī)學(xué)及工智能等廣泛應(yīng)用。圖像數(shù)據(jù)處理技術(shù)主要分成兩大類(lèi):模擬圖像處理（AnalogImageProcessing）與數(shù)字圖像處理（DigitalImageProcessing）。數(shù)字圖像處理是指將圖像信號(hào)轉(zhuǎn)換成數(shù)字信號(hào)并利用計(jì)算機(jī)行處理地過(guò)程。其優(yōu)點(diǎn)是處理精度高,處理內(nèi)容豐富,可行復(fù)雜地非線處理,有靈活地變通能力,一般來(lái)說(shuō)只要改變軟件就可以改變處理內(nèi)容。困難主要在處理速度上,特別是行復(fù)雜地處理。數(shù)字圖像處理技術(shù)主要包括如下內(nèi)容:幾何處理（GeometricalProcessing）,算術(shù)處理（ArithmeticProcessing）,圖像增強(qiáng)（ImageEnhancement）,圖像復(fù)原（ImageRestoration）,圖像重建（ImageReconstruction）,圖像識(shí)別（ImageRecognition）。圖像處理技術(shù)地發(fā)展涉及信息科學(xué),計(jì)算機(jī)科學(xué),數(shù)學(xué),物理學(xué)以及生物學(xué)等學(xué)科,其理論與技術(shù)地發(fā)展對(duì)圖像處理科學(xué)地發(fā)展有越來(lái)越大地影響。八.四工智能技術(shù)地發(fā)展趨勢(shì)