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(biāo)—8.1—知識(shí)目標(biāo)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(duì)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(jī)器人—8.2—8.2.1人臉識(shí)別機(jī)器人怎么識(shí)別這個(gè)人是誰呢？使用了人臉識(shí)別和語音交互技術(shù)。8.2.1人臉識(shí)別人臉識(shí)別的過程中有4個(gè)關(guān)鍵的步驟：人臉檢測、人臉對(duì)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(shí)，不管這個(gè)臉是誰，都會(huì)標(biāo)記出人臉的坐標(biāo)信息，或者將人臉切割出來。人臉檢測同一個(gè)人會(huì)有的姿態(tài)和表情，即使這個(gè)人大笑或者大哭我們也可以識(shí)別出來。機(jī)器要做到這一點(diǎn)，就需要將人臉圖像都變換到一個(gè)統(tǒng)一的角度和姿態(tài)，這就是人臉對(duì)齊，如圖所示。它的原理是找到人臉的若干個(gè)關(guān)鍵點(diǎn)，將人臉盡可能變換到標(biāo)準(zhǔn)人臉。人臉對(duì)齊人臉編碼經(jīng)過前兩步之后，人臉圖像的像素值會(huì)被轉(zhuǎn)換成一串?dāng)?shù)字（向量）。理想情況下，一個(gè)人臉會(huì)對(duì)應(yīng)類似的一串?dāng)?shù)字（向量），如圖所示。每個(gè)人臉都有了對(duì)應(yīng)的一串?dāng)?shù)字，我們就可以根據(jù)這一串?dāng)?shù)字計(jì)算出最匹配的兩串?dāng)?shù)字，從而找出某張圖片對(duì)應(yīng)的那個(gè)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(jìn)行信息的交互。使用自動(dòng)語音識(shí)別技術(shù)（ASR）將語音轉(zhuǎn)換為對(duì)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(duì)應(yīng)的機(jī)器可以理解的語言。使用內(nèi)置的各項(xiàng)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(dòng)漫化—8.3—計(jì)算機(jī)將人物照片轉(zhuǎn)化成動(dòng)漫卡通形象采用的是生成對(duì)抗網(wǎng)絡(luò)技術(shù)

8.3.1生成對(duì)抗網(wǎng)絡(luò)核心思想生成對(duì)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(duì)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(yùn)動(dòng)員不斷訓(xùn)練的過程。判別模型會(huì)對(duì)生成模型生成的圖像等數(shù)據(jù)進(jìn)行判斷，判斷其是否是真實(shí)的訓(xùn)練數(shù)據(jù)，類似上述籃球教練不斷判斷運(yùn)動(dòng)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(shí)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(shí)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(jìn)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(shí)上，任何音樂都是從隨機(jī)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(gè)骰子游戲目的就是隨機(jī)地進(jìn)行聲音選擇。他手工創(chuàng)作了近272個(gè)音調(diào)，然后，根據(jù)兩個(gè)骰子的總和來選擇一個(gè)音調(diào)。8.4.2什么是自動(dòng)音樂生成

8.4.3怎樣利用深度學(xué)習(xí)實(shí)現(xiàn)自動(dòng)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(gè)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(jìn)行模型訓(xùn)練，之后采用訓(xùn)練好的模型自動(dòng)生成音樂。

8.4.3怎樣利用深度學(xué)習(xí)實(shí)現(xiàn)自動(dòng)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(gè)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(jìn)行模型訓(xùn)練，之后采用訓(xùn)練好的模型自動(dòng)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?jǐn)?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(biāo)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(gè)非常流行的技巧，以圖像識(shí)別領(lǐng)域?yàn)槔芏鄷r(shí)候會(huì)選擇預(yù)訓(xùn)練的ImageNet對(duì)模型進(jìn)行初始化。自動(dòng)駕駛技術(shù)—8.6—8.6.1自動(dòng)駕駛級(jí)別自動(dòng)駕駛汽車的自動(dòng)化程度分為6個(gè)等級(jí)8.6.2自動(dòng)駕駛原理自動(dòng)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(dá)、激光雷達(dá)、超聲波雷達(dá)和攝像頭，通過它們能得到不同的視野。在定位方面自動(dòng)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(zhǔn)的定位。探測器自動(dòng)駕駛汽車需要安裝多種探測器，比如激光雷達(dá)，即激光探測及測距系統(tǒng)，超聲波雷達(dá)、GPS、攝像頭等。自動(dòng)駕駛汽車攝像頭捕獲的鏡頭通過深度學(xué)習(xí)能夠識(shí)別出圖像中包含的物體，比如行人、行車、交通路標(biāo)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(diǎn)到終點(diǎn)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(dòng)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(shí)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(jì)念品交易數(shù)據(jù)，我們從各個(gè)顧客的購物車中，會(huì)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(jià)值的信息來支持各種商業(yè)中的實(shí)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(duì)目前人工智能的相關(guān)應(yīng)用做了一個(gè)概述，介紹了人工智能在圖像、自然語言、音樂、自動(dòng)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