tft每日頭條

 > 圖文

 > 機器學習與人工智能之十一

機器學習與人工智能之十一

圖文 更新时间:2024-08-03 01:07:49

觀衆老爺好!這期繼續講人工智能相關的知識!觀衆老爺請拿出喜歡的零食和飲料,放松心情随小編一起走進智能化信息時代!

機器學習與人工智能之十一(機器學習與人工智能之十一)1

觀衆老爺是否還記得第一期的問題:我們人類是如何學習的?我們如何理解知識的?同樣信息在我們大腦中如何處理的?我們的文字和語言有什麼規律?我們看到的物體如何判斷的?我們對事物的關系如何理解的?我們的世界是什麼樣子的?為什麼可以用模型去拟合呢?那計算機又是如何進行學習的呢?同樣計算機可不可以模拟世界?

機器學習與人工智能之十一(機器學習與人工智能之十一)2

觀衆老爺還記得小編第七期《機器學習與人工智能之七:記憶更新》的内容麼?最後提到神經網絡算法的修改大多在權重、閥值、激活函數、感知器層數、輸入方式、輸出糾正方式上進行算法的調整,小編為什麼這樣說呢?同樣神經網絡算法有哪些異同之處呢?同樣與人類的學習有哪些聯系呢?這期我們進入比較熱門并且常用的深度學習算法——風格遷移,觀衆老爺應該都聽過吧!

大腦的混沌

大腦運作是混沌的!記憶的存取和比對也是混沌的!從出生時的空白到後天認知形成價值觀人生觀,白天黑夜都在不停的運作!我們的人類的大腦有一些自發行為,更确切的說是神經元細胞出現部分異常,比如我們經常聽到一些某某見鬼,某某見到什麼奇怪的事,但我們自身卻看不到,也就是常說的見鬼和幻覺!見鬼是大腦自發神經電信号而産生的錯覺,是視皮層神經細胞出現信息傳遞出錯而導緻,神經病人——請原諒小編用了不恰當的用語,更多是心理病人,或者精神失常者,我們經常聽到這些人說有人跟他說話,或者見到了比較怪異的物與事,可能他自己也不知道那個人跟他說了什麼,但患者經常有着幻覺,這是大腦出現故障,自身的信号出錯導緻,這在國外是有實驗證實的,大腦自身發電是導緻患者産生幻覺,錯覺,而導緻病人發作!我們的大腦是神奇的,神經信号産生出錯和正确的得到的結果是不一樣的,上面我們講述的是出錯的情況,那有沒正确的情況導緻積極的情況呢?

機器學習與人工智能之十一(機器學習與人工智能之十一)3

神奇的腦補行為

腦補行為是什麼?腦補是聯想能力的一種體現!我們對一些事進行觀察和了解認知時,大腦經常會給部分的信息補償,将部分與之相關的信息進行完整化,觸發我們印象比較深刻的信息!我們經常看書和看電視、電影,對部分内容進行推測,對故事、内容有個人的想法;同樣看到一張圖片,就會對圖片裡的信息進行聯想,或者與之相關的事情進行信息聯想。

機器學習與人工智能之十一(機器學習與人工智能之十一)4

小編經常看到電視劇的内容經常會發笑,看書有着天馬行空的想法,同樣對一些明明沒有幽默感的圖片突然産生感覺這個十分有趣,特别逗的感覺!這就是我們大腦的腦補行為。讓我們看到的事物進行信息的檢索和信息補償,不知不覺,觸發我們以前與之相似的神經回路信息,或者與之規律相似的事情。其實小編現在就在進行腦補的行為。觀衆老爺你是不是很詫異呢!其實現在你我都在進行着大腦的聯想能力!也就是腦補行為的過程而已!當然腦補需要先有認知的信息,也就是有認知的神經回路,在觸發相似信息的過程當中,進行信息的補償和神經回路信息的補充,達成聯想的過程!

風格遷移算法

那神經網絡算法有哪些與腦補類似呢?觀衆老爺還記得小編前期《機器學習與人工智能之十:複制記憶》最後提到神經網絡算法中間層進行修改:腦補的過程其實就是進行信息的再次插入修正。

機器學習與人工智能之十一(機器學習與人工智能之十一)5

風格遷移算法聽着很複雜,其實也就是改變了卷積神經網絡,全連接層前的網絡結構,更确切的說是改變了損失信息的的修正,兩種圖片通過卷積神經網絡後,将深層,一定是深層,大多算法介紹是第四層,為什麼是深層?我們知道卷積網絡提取的是輪廓,風格,顔色信息,層數越深對整個圖片的信息壓縮越大,這樣反向進行處理輸出圖片信息就能把圖片更好的融合!一般這個卷積神經網絡是訓練好的,這裡反向傳播修改的信息不是權重而是将圖片的信息進行修改,将風格的特征和原圖片融合。

機器學習與人工智能之十一(機器學習與人工智能之十一)6

上圖是網絡摘取的圖片,比如内容圖片以P表示,風格圖片是A,噪聲圖片也就是生成圖片以B表示,這時将AB圖片通過卷積,這最深層得到三個特征Pj、Aj、Bj,損失函數用Lcontent表示,當然這裡就不标下标了。這裡開始計算内容與噪聲的信息損失修正:

機器學習與人工智能之十一(機器學習與人工智能之十一)7

機器學習與人工智能之十一(機器學習與人工智能之十一)8

通過反向梯度傳播算法,将内容信息寫進噪聲圖片當中,下面進行風格與噪聲的信息損失修正,在修正前要進行定義一個特殊的算法Gj,Gj=∑Bj*Bj,Gj算法的含義是當前卷積層不同特征圖内積,卷積層的特征圖與卷積核個數有關,也就是有多少個卷積核就有多少通道。下面進行誤差的函數的定義,N、M是圖片大小,w是不同卷積層的權重值:

機器學習與人工智能之十一(機器學習與人工智能之十一)9

機器學習與人工智能之十一(機器學習與人工智能之十一)10

通過調整α和β調整風格與内容圖片的比重值,來進行線性融合圖片。

機器學習與人工智能之十一(機器學習與人工智能之十一)11

風格遷移算法要經過很多次疊代,将内容圖像和風格融合到一起,當然具體什麼樣的圖片是我們滿意的卻是我們自己說了算的,神經網絡算法雖然很神秘,其實說多了也是對我們大腦的部分模拟,我們人類對自己大腦具體是如何運作的了解并不多,那這種算法與我們的相似度多大?!我們是需要打問号的。我們卻可以通過算法和模型的不停修改,小編相信總有完全模拟我們大腦的一天!我們其實對自身的了解遠遠沒有那麼深,我們的大腦有着驚人的算力和想象力,但我們挖掘的卻是不夠的!

我們并不比計算機的運算能力差,但我們的運算能力先天是被壓制的,這需要我們自身對自身的了解來解鎖被封印的能力!具體如何做小編也不知道,但小編相信這方面的研究全球都有進行!尤其小編很好奇:你、我、他這種觀念到底是如何形成的,為何如此神奇?小編的外甥才幾個月大,卻能夠理解我們在議論他的話語,有時候我們呼喚他,他卻是能夠理解的,這種神奇的大腦結構是什麼樣的?為何誕生這種觀念的呢?

觀衆老爺這期就到這裡了,接下來小編會進入神經網絡算法的輸出方式修改算法講解!觀衆老爺記得關注我哦!下期更精彩!

,

更多精彩资讯请关注tft每日頭條,我们将持续为您更新最新资讯!

查看全部

相关圖文资讯推荐

热门圖文资讯推荐

网友关注

Copyright 2023-2024 - www.tftnews.com All Rights Reserved