前沿科技
浅谈人工智能中的深度学习
熊茂尧 四川大学锦城学院摘要：人工智能的大火带动了人工智能的发展和研究，越来越多的人开始关注到人工智能所能能带来的经济效应和社会效应，深度学习技术也被推上了风口浪尖，本文主要解释人工智能技术中深度学习的发展历史、常用算法以及不足之处进行简要介绍。关键词：深度学习 人工智能 神经网络1.引言2016年3月，谷歌开发的人工智能机器人Alphago与围棋世界冠军李世石决战，最终，Alphago以总比分4比1获胜，至此掀起一股人工智能的热潮。在很多人的严重，人工智能是一种“高大上”的存在，结合着十分深奥的科学知识，其实不然，人工智能也仅仅是数学在计算机领域的一种应用而已。
2.什么是人工智能人工智能（ArtificialIntelligence），英文的缩写为AI，它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。通俗的来讲是一种会“学习的”计算机程序，它的运作原理和人类思考方式相似，但是他能够不知疲倦的工作，所以常常能取得不可思议的成就。正是因为它强大的工作能力，人工智能被应用在安防、自动化、信息采集、自然语言处理等多个领域，它本身也是一门归属于计算机科学，又包含了心理学、哲学知识的新兴学科，目前几乎所有的人工智能研究机构的主要任务都是使机器能够胜任一些需要人脑智慧才能完成的复杂工作。
3.怎样判断人工智能“图灵测试”是业内认可的最为权威、最为标准的人工智能测试方法，即将人（测试者）和机器隔开，两者之间只能用键盘进行交流，测试者可以通过键盘随意提问，经过多次测试后，如果有超过30%的测试者不能确定机器的对面是人还是机器，那么这台机器就通过了测试，被认为具有人工智能，这项测试由“人工智能之父”——艾伦.图灵于1952年提出，他预测在2000年人类可以制造出真正能够通过这项测试的机器，可惜的是，直到2014年6月8日，才有一台机器正在通过了图灵测试，被认为是人工智能发展的一个里程碑。
4.深度学习的发展说到深度学习的发展史，就不得不提到人工智能的发展史。上世纪五六十年的时候，第一台神经网络计算机的诞生，但那个时候还不叫人工智能，直到1956年，这个名字才真正的在达特茅斯会议上被提出，会议上确立了AI这一术语，并且从学术的角度对人工智能进行了严肃而长远的讨论研究，从那之后不久，大批的人工智能学者和技术开始涌现，人工智能真正开始了它的初期发展。
然而很快，问题就出现了，上世纪七十年代，那个时候的计算机性能低下，不足以维持人工智能研究所需要的高性能计算，再加上那时研究所需要的数据量较少，无法找到足够大的数据库来支撑程序进行计算，这也导致当时许多的程序训练的程度不够，模型无法真正的被利用起来，也让人们失去了对人工智能研究的信心和热情，人工智能研究从此陷入低谷。
直到上世纪八十年代初期，卡内基梅隆大学设计了一套名为XCON的“专家系统”，这种专家系统其本质是“知识库+推理机”，例如知识库中保存有“1+1=2”，那么我们输入“1+1=”时，推理机便能告诉我们答案，这种专家系统的关键便在于它的“知识库”，因为它只能告诉我们知识库中存在的，不存在的则需要后期学习才行，但正是这种机器的诞生，将低谷中的人工智能研究拯救了起来，使人工智能产业不断升值。
令人可惜的是仅仅七年，“专家系统”这个曾经轰动一时的人工智能系统便退下了历史的舞台，苹果和IBM公司的台式机性能也超过了通用计算机，人工智能发展再次陷入低谷，直到1997年，随着深
数码世界 P.6
度学习中神经网络技术的不断发展，IBM公式的国际象棋电脑“深蓝”成功战胜了国际象棋世界冠军卡斯帕罗夫，之后人工智能开始了高速的发展，2006年，Hinton等人提出了一种无监督学习模型：深度置信网络，这种模型解决了深度神经网络训练的难题，使得深度学习取得了傲人的成绩，之后，深度学习发展十分迅速，各种模型层出不穷，如：置信神经网络、自编码器、卷积神经网络、循环神经网络，这四种模型构成了早期的深度学习模型，人工智能研究也从此走上正轨。
深度学习离不开神经网络技术的发展，早在1943年，便有科学家提出了MCP人工神经网络，但这种神经网络最初诞生的原因是为了能够用计算机来模拟人的神经元反应，这种模型酷似人类的神经元，有多个信号线输入，经过线性加权、求和、非线性激活后，可以得到一个输出值。这种模型对于输入特征值进行二分类有着得天独厚的优势，但是这种模型本质上是一种线性模型，它仅仅能够处理线性分类问题，所以神经网络的研究在很长一段时间内，都停滞不前。
1986年，Hinton发明了适用于多层感知器（MLP）的BP算法，并采用Sigmoid函数进行非线性映射，高效地解决了神经网络在非线性分类和学习上的问题，两年后，MLP也被证明对于任何闭区间内的一个连续函数f，都可以用含有一个隐含层的BP网络来逼近，但是不久后，BP算法就被指出存在梯度消失的问题，神经网络算法也一直缺少严格的数学理论来支撑，所以神经网络的发展可谓是一波三折。
在这之后，统计学方法开始展现自己的威力，许多著名的方法相继出世，例如：决策树、支持向量机（SVM），AdaBoost、随机森林等，这些方法填补了机器学习在算法上的空缺，深度学习开始逐渐没落，直到2006年，Hinton再次力挽狂澜，深度学习开始了它的快速发展期，2012年，Hinton带领团队参加ImageNet图像识别比赛，通过搭建CNN网络AlexNet一举夺冠，并且彻底碾压SVM方法的第二名，证明了深度学习的强大。
5.深度学习基本算法介绍深度学习的发展日新月异，越来越多的研究机构和研究人员开始在这片天地大展拳脚，提出了许多成熟、新颖的神经网络模型，并且在如今生活中得到广泛使用，本文着重介绍最为基本的神经网络和卷积神经网络算法的典型结构和工作原理。
5.1神经网络算法
神经网络是一种对人脑神经系统的仿真模型，模拟了人的神经结构思维并行计算方式所启发形成的一种信息描述和信息处理的数学模型[3]。目前学界中较为重视并且应用较为广泛的的神经网络模型有潜亏式神经网络（BP网络），径向基函数网络（RBF），如前文所说，BP网络虽然在各个领域应用广泛，但却有着致命的弱点：它很可能找不到全局的最小值点，而找到一个局部的极小值点就结束收敛了。所以这里主要谈谈径向基函数网络。
径向基函数网络包含了三层：输入层、隐含层和输出层，输入层和输出层暂且不提，隐含层的作用便是执行非线性变换，每当有输入时，就能够利用基函数实现线性加权组合，从而达到从输入空间到输出空间的非线性映射。整个神经网络的目标则是得到一个权值，让预测曲线尽可能的接近实际曲线。
5.2卷积神经网络算法
卷积神经网络算法是一种带有卷积结构的深度神经网络，使用卷积结构大大减少了深层网络占用的内存量，减少了网络的参数个数，
前沿科技
减少了过拟合问题的出现。经典的卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成，卷积层和池化层交替出现，即先是输入层，然后一个卷积层，一个池化层，再连接一个卷积层和一个池化层，之后在连接到全连接层，最后输出。
5.2.1卷积层：数据在卷积层中进行卷积运算，通过构建不同大小的卷积核，来调整卷积采样的效率，卷积核过大，则速度快，但采样率低下，卷积核过小，则速度慢，但采样率高，合理的调整参数是提高准确率和效率的关键。卷积层的实际作用可以想象成一张图片上有一个可以移动的方形模块，这个模块每一次可以截取图片上对应大小的数据，假如卷积核走20步，我们就可以得到20个卷积核大小的数据，将这些数据叠起来就可以得到一个长宽等于卷积核，高度为步数的四棱柱，这个就是池化层的输入。
5.2.2池化层：池化层的目的是为了特征降维，来减少数据运算，通常来说就是将特征图缩小，一般来说有两种常见的方法，一种是maxpooling（最大池化），一种是Averagepooling（平均池化），先说说maxpooling，取一个区域内的最大值，然后重新组合成一张图片，Averagepooling则是取一个区域内的平均值。
5.2.3全连接层：该层中参数最为密集，每一个结点都要与上一层的所有结点相连，把前面提取到的所有特征都综合起来，在这一层中，要不断的计算出整个模型的损失函数loss，修改前面几层的所有参数值，使梯度不断下降，直到一个理想的最低值时，就可以得到前
参考文献面所有的参数值，理论上来说这些值能够无限趋近于真实值，这也是卷积神经网络相对其他经典的机器学习算法的优势所在，正因如此，它的准确度远远高于其他机器学习算法模型。
6．深度学习的不足人工智能领域中有着众多的算法模型，经典的SVM、决策树等模型有着扎实的数学依据支撑，可以在特征数据量不是特别庞大的情况下得到十分出众的效果，但是实际的精准度还是远远比不过深度学习中的神经网络算法，神经网络模型的高准确度的根基并不是像传统机器学习算法那样的数学基础，而是建立在海量的数据上，可以说训练数据越大，效果越好，但是庞大的数据并不是任何情况都有，所以深度学习算法目前仅仅只能够应用在拥有大数据的前提下的情况，这是深度学习算法不可避免的问题。
[1]李开复,王咏刚.李开复:到底什么是人工智能[J].科学大观园,2018,(2):46-49. DOI:10.3969/j.issn.1003-1871.2018.02.014.[2]深度学习的发展历史[EB/OL].https：//blog.csdn.net/u012177034/article/details/52252851.
[3]杨嘉庆,周俊峰.神经网络模型理论的简要介绍[J].消费导刊,2018,(4):62.
探究基于人工智能的图像识别技术
赵艳 商丘工学院摘要：科技是第一生产力，现代社会科技得到了长足发展，呈现出智能化的发展特征，智能化开始得到发展，并在很多领域当中得到广泛的应用，智能设备与技术越来越被更多的人所熟悉，为人们的生活工作提供了极大的便利，在这些智能科技中基于人工智能的图像识别技术是一项重要的技术，这项技术在建筑、医学等领域中得到了广泛应用，为诸多领域的发展发挥了重要作用，基于此本文就这项技术展开了研究。关键词：人工智能 图像识别技术 技术应用前言：图像识别技术是人工智能技术当中一项重要的技术，是一种依据计算机信息技术发展而来的技术。科技改变了人们的生活工作方式，了劳动力，使生活工作更加方便，人们也因此对科技产生了依赖。这项技术包括了很多内容，在应用图像识别这种技术中，如果想要发挥出更大的效用，需要对该项技术做好了解，需要加强对技术原理、识别过程、常见的识别形式等概念的研究。基于此本文以图像识别这种技术为研究对象，从四个方面对相关理论内容展开论述，旨在通过对这几个内容的阐述能够使相关领域的专业人士更多地了解与这项技术有关的问题内容，为这项技术更好的研究与应用创造有利的保障条件，提供有效的理论基础。1.基本概念概述智能和模式识别这两者结合后一些做不到的工作很快就能够迎刃而解了。如针对一些复杂而又立体化的图像成像与分析，这两者能够对图像做出处理，在对这种技术应用中的模式识别运行操作不仅仅是简单的技术那么简单而已，需要结合人工智能、其它运算及技术思想，以此促进该项技术在日常生活当中广泛的应用，也在智能科技当中有了快速发展。1.2技术原理人工智能这种技术原理是通过计算机对图片加以处理，对图片信息加以提取，或是进行智能化的处理，经过不断的分析与实验能够得出其技术原理，从技术原理来看这种技术原理显得并不复杂，如果将一个人当做是一台计算机，人和人的每次对视可以看作是图像识别技术的完成，结合他人印象在脑海里搜集、分析与记忆他人信息，图像识别技术也是同样原理，不同的一点是通过智能化的图像识别技术识别分析信息数据，若是没有提前存储图片，需要通过人为操作对信息进行提取，选择好关键词，从技术原理上说是结合数据算法原理，简单的数据信息提取与分析可通过计算机来展开，但是在信息量较大与信息模糊的图片中识别效率会降低很多，在对技术原理分析时应该对简单而又方便的原理加以运用来改变图像识别技术，使其原理变得更简单，在功能实现与处理图片中能够得到改善。2.识别过程与技术优势1.1组成原理这种技术组成原理主要是对图片模式的识别操作，无论是对图像识别来说，还是对人工智能来说模式识别都占据着重要位置。在图像处理中模式识别发挥了重要作用，主要用于处理类型不同的平面与立体图片，分析图片与实体实物。关于图像识别这种技术对模式识别的应用是通过虚拟化的方式对事物进行分析，既在事物分析中不需要直接面对实物，通过人工智能、模式识别这二者的结合对图片做出三维化的处理。该技术在现代医学与建筑领域应用中更广泛一些，应用效果更突出一些，在医学领域中结合拍片能够对人体做出立体化的分析，对三维结构与患者健康状态进行分析。在建筑行业中传统的结构图以平面图居多，在现代化的发展中建筑师可以通过对模式识别这种方式的运用对平面图做出立体化的处理，这样处理后的成像更清晰一些，更清晰地表现出建筑结构。通过这种识别技术与模式识别的结合能够使识别技术在处理立体图像中得以应用，也能够对图像进行立体化的处理，使人们的需求得以满足，为人们的运用提供方便。在日常生活中人眼是模式识别的最好工具，普通的识别技术是满足不了生活需求的，在人工2.1识别过程在运用该项技术对图像进行处理时人工智能和人的处理方法有着相似之处，其运用形式和计算机不存在太大的差别。在运用计算机对图像进行处理中需要对信息加以获取，再对获取到的信息进行转换，使之成为计算机语言，并在计算机当中传播。在存储完图像后对图片加以调用，做出简单一些的处理，然后是锐化处理图片中的重要信息，用来突出图片信息。将相关图片信息提取出来，根据之前选择过的关键词Digital Space P.7
