只需5行代码，就能做出一个图像识别AI

年代至1980年代人工智能研究兴起的过程中，手动为计算机提供了有关如何识别图像，图像中的对象以及要注意的功能的说明。这种方法是传统算法，被称为专家系统，因为它们要求人类为必须识别的物体的每个唯一场景识别特征并在计算机可以理解的数学模型中表示这些特征。这涉及很多繁琐的工作，因为可以用成千上万种不同的方式表示对象，并且存在成千上万（甚至数百万）种不同的场景和对象，从而找到了最优且准确的数学模型来代表每个对象或场景的所有可能特征，并且对于所有可能的对象或场景而言，更多的工作将永远持续下去。

然后，在1990年代，引入了机器学习的概念，并开创了一个时代，在这个时代中，我们不需告诉计算机在识别图像和视频中的场景和对象时要注意什么，而可以设计算法，使计算机能够学习如何独自识别图像中的场景和物体，就像孩子通过探索来了解自己的环境一样。机器学习为计算机学习识别几乎我们想要的任何场景或物体开辟了道路。




功能强大的计算机（如GPU）和先进的深度学习算法用于图像识别的出现，如Alex Krizhevsky等人于2012年提出的AlexNet，Kaeming He等人于2015年提出的ResNet，Forrest于2016年提出的SqueezeNet Landola等人（由Gao Huang等人于2016年提出的DenseNet）仅举几例，就可以将许多图片（更像是计算机的图像书）放在一起，并定义一个人工智能模型来学习场景和物体的特征这些图片本身，并使用从学习过程中获得的知识来识别其后将遇到的场景或对象类型的所有其他实例。

（编辑：唐山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!