第11章

python3在人工智能中的應(yīng)用

導(dǎo)入自AlphaGo戰(zhàn)勝李世石后，2016年成為人工智能真正大規(guī)模應(yīng)用的元年。至今，人工智能的產(chǎn)品已遍布生活的各個角落，醫(yī)學上IBM的“Waston”．蘋果的“Siri”．微軟的“Cortana”，甚至搜索引擎Google等，都是人工智能的具體應(yīng)用。人工智能包含了什么技術(shù)？它們都應(yīng)用到了什么原理？我們將從人工智能的概念開始，詳細介紹機器學習和深度學習的概念及實現(xiàn)，并通過手寫數(shù)字識別的案例，探究python在人工智能中的應(yīng)用。主要內(nèi)容人工智能簡介機器學習的概念、流程及算法深度學習應(yīng)用案例11.1人工智能簡介人工智能（ArtificialIntelligence），英文縮寫為AI，是計算機科學的一個分支。它企圖了解智能的本質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法．技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學。人工智能是對人的意識、思維的信息過程的模擬。人工智能不是人的智能，但能像人那樣思考、也可能超過人的智能。人工智能實際應(yīng)用有：機器視覺，指紋識別，人臉識別，視網(wǎng)膜識別，虹膜識別，掌紋識別，專家系統(tǒng)，自動規(guī)劃，智能搜索，定理證明，博弈，自動程序設(shè)計，智能控制，機器人學，語言和圖像理解，遺傳編程等。人工智能目前分為弱人工智能．強人工智能和超人工智能。11.1人工智能簡介人工智能的研究內(nèi)容與領(lǐng)域1．專家系統(tǒng)2．自然語言處理3．機器學習4．模式識別5．計算機視覺6．機器人11.2機器學習人類區(qū)別于其它動物的最主要區(qū)別是什么？是“智慧”。而智慧的最佳體現(xiàn)是什么？通過經(jīng)驗獲取規(guī)律，指導(dǎo)人生與未來。這個獲取過程就是學習的過程。在人工智能中，就是機器學習。11.2機器學習從廣義上來說，機器學習是一種能夠賦予機器學習的能力以此讓它完成直接編程無法完成的功能的方法。但從實踐的意義上來說，機器學習是一種通過利用數(shù)據(jù)，訓練出模型，然后使用模型預(yù)測的一種方法。11.2機器學習機器學習的工作流程1．定義問題2．數(shù)據(jù)采集3．數(shù)據(jù)清洗與預(yù)處理4．特征工程5．模型調(diào)參與融合6．模型驗證11.2機器學習機器學習常規(guī)算法機器學習算法可以分為三大類：監(jiān)督學習．無監(jiān)督學習和強化學習。監(jiān)督學習可用于一個特定的數(shù)據(jù)集（訓練集）具有某一屬性（標簽），但是其他數(shù)據(jù)沒有標簽或者需要預(yù)測標簽的情況。無監(jiān)督學習可用于給定的沒有標簽的數(shù)據(jù)集（數(shù)據(jù)不是預(yù)分配好的），目的就是要找出數(shù)據(jù)間的潛在關(guān)系。強化學習位于這兩者之間，每次預(yù)測都有一定形式的反饋，但是沒有精確的標簽或者錯誤信息。11.2機器學習1．回歸算法：回歸算法有兩個重要的子類：即線性回歸和邏輯回歸。2．決策樹算法：決策樹是一種監(jiān)督學習的分類算法，目的是學習出一顆決策樹，該樹中間節(jié)點是數(shù)據(jù)特征，葉子節(jié)點是類別，實際分類時根據(jù)樹的結(jié)構(gòu)，一步一步根據(jù)當前數(shù)據(jù)特征取值選擇進入哪一顆子樹，直到走到葉子節(jié)點，葉子節(jié)點的類別就是此決策樹對此數(shù)據(jù)的學習結(jié)果。3．貝葉斯算法：是一類利用概率統(tǒng)計知識進行分類的算法。4．聚類算法：又稱群分析，是研究（樣品或指標）分類問題的一種統(tǒng)計分析方法。5．降維算法：是一種無監(jiān)督學習算法，其主要特征是將數(shù)據(jù)從高維降低到低維層次。11.2機器學習6．推薦算法：是目前業(yè)界非?；鸬囊环N算法，在電商界，如亞馬遜，天貓，京東等得到了廣泛的運用。推薦算法的主要特征就是可以自動向用戶推薦他們最感興趣的東西，從而增加購買率，提升效益。推薦算法有兩個主要的類別：（1）基于物品內(nèi)容的推薦（2）基于用戶相似度的推薦11.3深度學習人工神經(jīng)網(wǎng)絡(luò)是生物神經(jīng)網(wǎng)絡(luò)在某種簡化意義下的技術(shù)復(fù)現(xiàn)，是根據(jù)生物神經(jīng)網(wǎng)絡(luò)的原理和實際應(yīng)用的需要建造實用的人工神經(jīng)網(wǎng)絡(luò)模型，設(shè)計相應(yīng)的學習算法，模擬人腦的某種智能活動，然后在技術(shù)上實現(xiàn)出來用以解決實際問題。11.3深度學習感知機（perceptron）是由兩層神經(jīng)元組成的結(jié)構(gòu)，輸入層用于接受外界輸入信號，輸出層（也被稱為是感知機的功能層）就是M-P神經(jīng)元。如圖所示，表示了一個輸入層具有m個神經(jīng)元（分別表示為x1．x2．…．xm）的感知機結(jié)構(gòu)。11.3深度學習深度學習的定義：深度學習是機器學習領(lǐng)域一個新的研究方向，由多倫多大學的G.E.Hinton等于2006年提出，近年來在語音識別、計算機視覺等多類應(yīng)用中取得突破性的進展。其動機在于建立模型模擬人類大腦的神經(jīng)連接結(jié)構(gòu)，在處理圖像、聲音和文本等信號時，通過多個變換階段分層對數(shù)據(jù)特征進行描述，進而給出數(shù)據(jù)的解釋。11.3深度學習2．深度學習的特點（1）深度，是相對“淺層學習”方法而言的。淺層學習采用支持向量機(supportvectormachine,SVM)、提升方法(boosting)、最大熵方法等來實現(xiàn)，依靠人工經(jīng)驗抽取樣本特征，網(wǎng)絡(luò)模型學習后獲得的是沒有層次結(jié)構(gòu)的單層特征。（2）深度學習的訓練方法與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比有很大區(qū)別。（3）深度網(wǎng)絡(luò)：深度學習所得到的深度網(wǎng)絡(luò)結(jié)構(gòu)包含大量的單一元素(神經(jīng)元)，每個神經(jīng)元與大量其他神經(jīng)元相連接，神經(jīng)元間的連接強度(權(quán)值)在學習過程中修改并決定網(wǎng)絡(luò)的功能。11.3深度學習卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)依舊是層級網(wǎng)絡(luò)，只是層的功能和形式做了變化，可以說是傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的一個改進。由數(shù)據(jù)輸入層、卷積計算層、激勵層、池化層等組成。11.4應(yīng)用案例通過調(diào)用TensorFlow來構(gòu)建LeNet-5網(wǎng)絡(luò)，從而實現(xiàn)手寫數(shù)字的識別。LeNet-5是一個簡單的卷積神經(jīng)網(wǎng)絡(luò)，是用于手寫字體的識別的一個經(jīng)典CNN。11.4應(yīng)用案例TensorFlowTensorFlow是谷歌基于DistBelief進行研發(fā)的第二代人工智能學習系統(tǒng)，是將復(fù)雜的數(shù)據(jù)結(jié)構(gòu)傳輸至人工智能神經(jīng)網(wǎng)中進行分析和處理過程的系統(tǒng)，可被用于語音識別或圖像識別等多項機器學習和深度學習領(lǐng)域，對2011年開發(fā)的深度學習基礎(chǔ)架構(gòu)DistBelief進行了各方面的改進，它可在小到一部智能手機、大到數(shù)千臺數(shù)據(jù)中心服務(wù)器的各種設(shè)備上運行。在python3中，可直接使用pipinstalltensorflow進行安裝庫。11.4應(yīng)用案例模型參數(shù)設(shè)置要針對在神經(jīng)網(wǎng)絡(luò)的構(gòu)建和模型訓練中的一些參數(shù)進行設(shè)置，方便后面調(diào)用，如：網(wǎng)絡(luò)隨機失活的概率、梯度下降的速率、一次訓練選取的樣本數(shù)、模型參數(shù)的保存路徑及迭代次數(shù)。11.4應(yīng)用案例構(gòu)建LeNet5模型本例中，是用slim構(gòu)建LeNet模型，需要設(shè)置輸入圖片的參數(shù)，之后，改變圖片張量、標簽參數(shù)等，再構(gòu)建訓練和預(yù)測網(wǎng)絡(luò)，第一、三、五層為卷積層、第二、四層為池化層。接再對第五層扁平化，之后接入全連接，進行隨機失活防止過擬合，最后再次接入全連接層，最后返回構(gòu)建的網(wǎng)絡(luò)。代碼見lenet5.py。11.4